Когда я в первый раз попытался автоматически выделить лёгочные поля на томограмме пациента с ковидной пневмонией, пороговая обработка аккуратно обвела здоровую сторону, но полностью потеряла участки консолидации и ателектаза с противоположной. Именно тогда стало окончательно ясно: выбор метода сегментации для КТ грудной клетки — это не вопрос «какой алгоритм моднее», а вопрос точного соответствия задаче, качеству данных и тому, что вы в итоге хотите получить: маску лёгких, доли, очаги, сосудистое русло или объёмные измерения. Для простых и стабильных ситуаций классика всё ещё выручает, но при сложной патологии и потоковой обработке нейросетевые модели, особенно U‑Net и её вариации, вырываются вперёд [5][6].
## Что такое сегментация КТ грудной клетки и зачем она нужна
Сегментация КТ грудной клетки — это автоматическое или полуавтоматическое выделение анатомических структур на каждом срезе томограммы: лёгких, долей, трахеи, сосудов, очагов, участков «матового стекла» и консолидации, а также других объектов. В медицинской визуализации она давно стала рутинным промежуточным шагом: нужна для количественного анализа объёма поражения, планирования лучевой терапии, контроля динамики и, конечно, для подготовки размеченных датасетов, на которых потом обучаются другие ИИ-инструменты. Без надёжной сегментации невозможны ни точные трёхмерные реконструкции, ни автоматизированные заключения.
### Где сегментация используется на практике
За годы работы с КТ грудной клетки я убедился, что практически любая серьёзная задача упирается в качественное оконтуривание.
— **Разметка лёгких** для расчёта процента поражённой паренхимы — классика пневмоний COVID-19 и не только.
— **Выделение очагов и узлов** для измерения размеров и отслеживания динамики по критериям RECIST.
— **Сегментация долей** — критична при планировании операций или оценке эмфиземы, когда нужно понять, насколько поражена конкретная доля.
— **Подготовка датасетов** для обучения моделей классификации и детекции — качество разметки напрямую определяет потолок метрик.
— **Постобработка КТ** перед построением объёмных реконструкций и автоматизированных отчётов, где контур должен быть безупречным.
Если задача клиническая, то метод сегментации обязан быть не только точным, но и предсказуемым: врачу важны воспроизводимость, скорость и понятный контроль ошибок.
## С чего начинать выбор метода
Когда мне нужно выбрать алгоритм под новый проект, я всегда держу в голове четыре вопроса, наработанных ещё во времена первых челленджей по разметке лёгких. Они быстро отсекают неподходящие варианты.
— **Что сегментируем?** Лёгкие в целом, доли, сосуды, очаги, полости деструкции, опухолевую инвазию.
— **Насколько объект контрастен?** Чем чётче граница по числам Хаунсфилда и ярче перепад с соседними тканями, тем проще задача. Воздушная паренхима даёт огромный контраст, но стоит появиться выпоту или инфильтрации — и картина меняется радикально.
— **Сколько у вас данных?** Для нейросети нужна коллекция примеров с разметкой, для классики — достаточно нескольких слайсов, но тогда алгоритм сильнее зависит от условий съёмки и протокола.
— **Какой нужен результат?** Один контур на серию, маска на каждый срез или связная 3D-сегментация, пригодная для объёмных измерений.
Именно эти параметры сильнее всего влияют на выбор метода сегментации для КТ грудной клетки.
## Основные методы сегментации: что выбрать и когда
### Классические методы
Классические подходы — пороговая обработка, выделение связных компонент, методы регионов, активные контуры и их гибриды — до сих пор остаются фундаментом, с которого я обычно начинаю первые эксперименты. Они прозрачны, интерпретируемы и позволяют быстро оценить сложность задачи, прежде чем ввязываться в обучение глубокой сети [1][6].
#### Пороговая обработка
Метод опирается на плотность тканей: лёгкие преимущественно наполнены воздухом (менее –950 HU), а стенки и средостение дают высокие значения. Я не раз использовал простой порог как быстрый способ получить черновую маску на рутинных исследованиях — срабатывало за секунды.
Подходит, если:
— нужно быстро выделить примерно стабильную анатомическую область;
— исследование выполнено качественно, без грубых артефактов и выраженной патологии;
— требуется простой и объяснимый алгоритм, который легко задокументировать.
Слабые места:
— плохо работает при ателектазах, плевральном выпоте и массивной консолидации — контур рвётся или «прилипает» к средостению;
— чувствителен к окну отображения и тонкостям реконструкции ядра;
— почти всегда требует ручной постобработки, которую тяжело автоматизировать в потоке.
#### Регионы и рост областей
Методы расширяют область от одной или нескольких заданных пользователем точек‑семян (seed). Я активно применял их для полуавтоматической разметки очагов: кликаешь в центр узелка — и алгоритм аккуратно заполняет его границы. Удобно, когда нужен контроль оператора.
Подходит, если:
— задача полуавтоматическая и радиолог готов немного корректировать процесс;
— структура локально однородна по плотности;
— важна интерпретируемость каждого шага.
Слабые места:
— критическая зависимость от выбора seed — чуть сдвинешь точку, и маска «утечёт» в бронх или сосуд;
— при шуме и неоднородности паренхимы алгоритм может захватывать соседние анатомические зоны без видимой границы.
#### Активные контуры
Активные контуры (snakes) и level‑set’ы ищут границу объекта, минимизируя энергию деформируемой кривой. Я несколько раз пытался применить их для уточнения лёгочного контура после пороговой маски: на гладких внешних контурах результат получался очень аккуратным.
Подходит, если:
— нужно деликатно уточнить границу там, где она достаточно чёткая;
— есть предварительная маска, которую надо лишь подогнать;
— форма объекта сравнительно предсказуема (например, трахея или крупные сосуды).
Слабые места:
— плохо справляются со сложной зазубренной морфологией опухолей или каверн;
— требуют тщательной настройки параметров и часто работают медленно на полном КТ-объёме.
### Нейросетевые методы
Когда дело доходит до реальной клинической нагрузки и вариабельности патологий, на первый план выходят свёрточные сети. В современных пайплайнах я почти всегда использую U‑Net или её производные — потому что модель учится распознавать не отдельные пикселы, а паттерны, контекст и края, которые классическим алгоритмам просто недоступны [3][5][9].
#### U-Net и сегментационные архитектуры
U‑Net стала стандартом в медицинской сегментации не случайно: она отлично работает при ограниченных размеченных данных и сохраняет мелкие детали благодаря skip‑соединениям между энкодером и декодером. На моей практике, стоило обучить даже базовую U‑Net на сотне размеченных КТ, как качество лёгочной маски перестало зависеть от наличия выпота или ателектаза.
Подходит, если:
— есть размеченные данные — хотя бы 30–50 примеров для тонкой настройки;
— нужна высокая точность и работа со сложными неоднородными структурами;
— вы готовы уделить время подготовке датасета и валидации.
Слабые места:
— качество разметки напрямую диктует качество сегментации; «грязные» маски приводят к систематическим ошибкам;
— чувствительна к сдвигу домена — модель, обученная на одном сканере, может хуже сработать на другом;
— требует постобработки (морфологические операции, удаление мелких ложных фрагментов) для клинической надёжности.
#### 2D, 2.5D и 3D-сегментация
Выбор размерности входа для КТ грудной клетки — это вечный компромисс между вычислительной ценой и анатомической точностью.
— **2D** — быстрее и проще в реализации. Я часто стартую именно с 2D, когда данных мало или нужно быстро встроить модель в просмотрщик срезов.
— **2.5D** — использует несколько соседних срезов и лучше улавливает контекст по оси Z, оставаясь при этом относительно лёгким.
— **3D** — точнее воспроизводит объёмные структуры (например, доли или сосудистое дерево), но требует много GPU‑памяти. Помню, как одна из первых 3D‑сетей просто выпала с OutOfMemory на томограмме 512×512×300 — пришлось переходить на патч‑подход.
Для КТ грудной клетки 3D‑подход обычно даёт лучший анатомический контекст, однако на практике 2D‑модели проще интегрировать в рабочий процесс и обновлять.
## Сравнение методов в одной таблице
| Метод | Сильные стороны | Ограничения | Лучшие сценарии |
|---|---|---|---|
| Пороговая обработка | Простота, скорость, прозрачность | Плохо при патологии и шуме | Базовое выделение лёгких |
| Регионы | Полуавтоматический контроль, удобство | Зависимость от seed и шума | Ручная доработка, локальные области |
| Активные контуры | Точная граница при хороших контурах | Чувствительность к форме и инициализации | Уточнение контуров |
| U-Net | Высокая точность, гибкость | Нужны данные и обучение | Сложные клинические задачи |
| 3D-сети | Лучший объёмный контекст | Требуют GPU и памяти | Полноценная объёмная сегментация |
## Как выбирать метод сегментации для КТ грудной клетки на практике
### Если нужна быстрая и понятная сегментация лёгких
В таких случаях я почти всегда советую начинать с пороговой обработки и пары морфологических операций. Это идеальный старт для прототипа или проекта, где ключевыми являются скорость запуска и абсолютная объяснимость каждого пикселя маски. Когда мне нужно было вчера сделать полуавтоматическую разметку на 50 исследований для последующего дообучения U‑Net, я собрал pipeline именно на пороговой обработке и ручной коррекции — и не пожалел.
### Если есть средний объём разметки и нужна стабильность
Тут уже без вариантов: U‑Net или её легковесная модификация. Для КТ грудной клетки это самый рациональный баланс между качеством, стоимостью внедрения и возможностью дообучения под конкретное оборудование и популяцию пациентов. Я не раз наблюдал, как обученная на 100–150 примерах сеть переставала ошибаться на ателектазах, уверенно держала границу даже при массивном выпоте и давала воспроизводимую маску от среза к срезу.
### Если объект сложный и границы размыты
Для очагов с инвазивными краями, зон «матового стекла», каверн и постлучевого фиброза классические методы быстро упираются в потолок. Здесь нейросеть обычно даёт куда более устойчивый результат — особенно если добавить постобработку (например, связные компоненты и анализ формы). По моим наблюдениям, комбинация U‑Net и последующего CRF‑поля иногда спасает то, что врачи вручную дорисовывали бы десятками движений.
### Если важно участие врача
В клинике, где ошибка алгоритма может повлиять на тактику, полуавтоматические методы — регионы, активные контуры, инструменты интерактивной сегментации — часто оказываются лучшим компромиссом. Радиолог кликает пару точек или корректирует контур, и система пересчитывает маску. Именно так я работал с пульмонологами при разметке сложных опухолей: они исправляли края, а алгоритм «подхватывал» остальное.
## На что смотреть при оценке качества метода
### Технические метрики
— **Dice coefficient** — перекрытие маски с эталонной разметкой.
— **IoU** (Intersection over Union) — отношение пересечения к объединению.
— **Sensitivity** — насколько полно найдены целевые структуры.
— **Specificity** — насколько чиста маска, без захвата соседних областей.
— **HD95** (95-й перцентиль расстояния Хаусдорфа) — показывает наихудшую ошибку границы, отбрасывая выбросы.
Не раз у меня бывало: Dice выше 0,95, а визуально сегментация проваливается в мельчайший субплевральный фиброз, который важен клинически. Поэтому метрики — лишь начальный ориентир.
### Клинические критерии
— Совпадает ли сегментация с тем, как считает врач (граница по плевре, а не на 5 мм внутрь)?
— Не ломается ли метод на тяжёлых случаях — постоперационные изменения, массивный пневмоторакс, выраженный кифосколиоз.
— Можно ли быстро исправить локальную ошибку, не переразмечая всё исследование.
— Пригоден ли результат для повторных измерений, динамического наблюдения и автоматического отчёта.
По моему опыту, стабильность контуров и отсутствие грубых выбросов на сложной выборке часто важнее, чем десятая доля Dice.
## Типичные ошибки при выборе метода
— Выбирать «самую умную» 3D‑сеть, не подготовив данные и не оценив их однородность — модель просто не обучится.
— Использовать пороговую сегментацию там, где есть выраженная патология — ещё ни разу не видел, чтобы это работало на посттуберкулёзных изменениях.
— Не учитывать артефакты дыхания и движения: даже лёгкое смещение рёбер превращает маску в непригодную.
— Оценивать метод только на «чистых» примерах — на больничной рутине такая модель разваливается.
— Пренебрегать постобработкой. Убрать пару ложных фрагментов в трахее бывает проще, чем объяснять врачу, почему алгоритм посчитал трахею лёгким.
— Забывать, как алгоритм встроится в PACS и рабочий поток: великолепная модель, работающая в ноутбуке, бесполезна, если её нельзя запустить на DICOM‑ноде.
## Как я бы выбирал метод в реальном проекте
### Для небольшого проекта или пилота
Мой путь обычно такой: сначала беру пороговую обработку как baseline и смотрю, где именно она ломается на моей выборке. Если патология минимальна, оставляю полуавтоматику (рост областей) и готовлю разметку. Как только становится понятно, что нужны стабильные клинические результаты, перехожу к U‑Net — сначала 2D, потом, возможно, 3D. Такой подход даёт быструю первую версию и чёткое понимание, сколько размеченных данных действительно необходимо.
### Для клинического внедрения
Здесь план сложнее. Сначала оцениваю объём и качество имеющейся разметки, проверяю согласованность экспертов. Затем делаю отдельную валидацию на кейсах, собранных из реальных клинических отказов — тяжёлых пневмоний, послеоперационных лёгких, выраженного фиброза. Обязательно добавляю постобработку: чистка трахеи, удаление мелких ложных очагов. Параллельно обсуждаю интеграцию с PACS‑командой: как модель будет получать DICOM, куда писать результат (вторичный захват, RT‑структуру), укладываемся ли в тайминги. И только после того, как убедился в стабильности при ретроспективной проверке, отдаю на клиническую апробацию.
## Как подготовить данные перед сегментацией
### Что проверить до обучения или внедрения
— Единообразие DICOM‑данных: у разных аппаратов и протоколов значения HU могут плавать в пределах 20–40 единиц.
— Толщину среза и ядро реконструкции — модель, обученная на тонких срезах 0,625 мм, может деградировать на 5 мм.
— Наличие артефактов и пропусков срезов — особенно в области верхушек.
— Качество ручной разметки: проверяю не только Dice между экспертами, но и визуальные расхождения на границах.
— Согласованность между разными врачами — она редко достигает 0,98 даже на лёгких, поэтому закладываю допуск.
### Что помогает улучшить результат
— Аугментация (повороты, масштабирование, вариации контраста) — критична при малых датасетах.
— Нормализация интенсивности — привожу к фиксированному окну HU, чтобы модель не зависела от абсолютных чисел.
— Выравнивание ориентации — лёгкие всегда «вверх», убираю грубые повороты туловища.
— Фильтрация плохих серий — исключаю исследования с выраженным дыхательным дрожанием.
— Разумная постобработка масок — удаление изолированных вокселей, заполнение небольших дыр, сглаживание без сдвига границ.
## Когда классика лучше нейросети
Классические методы всё ещё незаменимы, если:
— задача узкая и хорошо формализована (например, измерить объём воздушной части лёгкого без патологии);
— данных мало, а полноценную разметку делать некому;
— нужна абсолютная интерпретируемость каждого решения — это важно в регуляторном поле;
— нельзя тратить время на обучение, а решение нужно уже сегодня;
— пользователь — сам радиолог — хочет контролировать процесс через ручную расстановку точек.
Для быстрой прототипной сегментации лёгких на КТ пороговая обработка плюс морфология до сих пор остаются хорошей отправной точкой — особенно когда надо подготовить первичную разметку для той же нейросети [1][2][6].
## Когда нейросеть почти всегда выигрывает
Нейросетевая сегментация становится предпочтительнее, как только:
— анатомия и патология сильно варьируют (сложные пневмонии, опухоли, эмфизема);
— есть достаточная коллекция качественных разметок для обучения;
— требуется потоковая обработка без участия человека;
— важны сложные структуры вроде долевых границ и сосудистых сетей;
— необходимо масштабирование решения на разные клиники и сценарии без перенастройки правил.
В таких случаях U‑Net и схожие архитектуры дают гораздо более стабильный и воспроизводимый результат, чем любые ручные пороги [3][5][9].
## FAQ
### Какой метод сегментации лучше для лёгких на КТ?
Для простого выделения лёгких без выраженной патологии отлично работает пороговая обработка с морфологической чисткой. Но как только появляются ателектазы, выпот, уплотнения, я всегда рекомендую смотреть в сторону U‑Net или полуавтоматического гибрида, где врач страхует алгоритм в сложных зонах [5][6].
### Можно ли обойтись без нейросетей?
Да, если задача простая, данные однородные и нужен быстрый baseline. Например, для учебной демонстрации или при подготовке черновой разметки. Но на реальной клинике, где патология непредсказуема, классические методы быстро проигрывают по стабильности [1][6].
### Что выбрать для разметки данных?
Когда разметка делается вручную или полуавтоматически, я часто строю инструменты на основе роста областей с возможностью ручной коррекции. Это ускоряет работу и снижает утомление врача, что особенно важно перед обучением нейросети. Хорошая полуавтоматика сокращает время на один случай с 20–30 минут до 5–7 [1][4].
### Почему U-Net так часто используют?
Потому что она удивительно хорошо сочетает работу с малыми медицинскими датасетами, сохранение деталей границ и относительную простоту внедрения. На моих проектах по лёгочной сегментации базовая U‑Net после обучения на 70–100 КТ уже выдавала маски, от которых врачи не морщились [3][9].
### Нужно ли учитывать PACS и DICOM при выборе метода?
Обязательно. Самый точный алгоритм, не умеющий принимать DICOM‑серии и писать результат обратно в PACS, остаётся лабораторной игрушкой. Я всегда заранее уточняю, как модель будет встроена в рабочий список радиолога, чтобы результат появлялся в нужном окне просмотрщика, а не отдельным файлом на флешке.
### Что важнее: Dice или клиническая полезность?
Обе метрики важны, но для внедрения клиническая полезность перевешивает. Я видел модель с Dice 0,97, которая систематически «съедала» стенку бронха, создавая риск пропуска опухолевой инвазии. Поэтому метод должен быть не просто точным, а точным именно в тех местах, которые влияют на заключение врача.
Если нужен следующий материал, логично продолжить тему сравнением **U-Net, nnU-Net и классических методов** именно для сегментации КТ грудной клетки в клиническом пайплайне.