Классические алгоритмы сегментации КТ: обзор для врачей

Когда я только начинал размечать лёгочные поля на томограммах для клинического челленджа, самым быстрым способом получить рабочую маску была обычная пороговая обработка. Потом приходили region growing, активные контуры и морфологическая чистка. Эти инструменты не требуют обучения, легко объяснимы и до сих пор закрывают десятки рутинных задач. Понимание их логики нужно не ради академического интереса — оно напрямую помогает оценивать, где алгоритм справится сам, а где ему понадобится помощь врача или переход к нейросетевым методам.

Что такое сегментация КТ и зачем она нужна

Сегментация КТ — это разделение томограммы на области, соответствующие органам, тканям или патологическим очагам. В ежедневной клинической практике она служит для измерения объёмов, отслеживания динамики, планирования вмешательств и стандартизированного описания находок.

Классические алгоритмы оказываются особенно полезными, когда требуется:

• быстро выделить контуры лёгких, печени, костей или сосудов;
• подготовить данные для полуавтоматической разметки — я часто использовал их как черновик перед ручной доработкой;
• получить базовый результат до запуска более сложной модели — такой baseline помогает оценить ожидаемую сложность задачи;
• проверить, насколько задача вообще поддаётся автоматизации без глубокого обучения.

Врачу важно понимать не только что делает алгоритм, но и почему он ошибается. Это напрямую влияет на доверие к результату и на качество последующей валидации: когда видишь характерные утечки маски в средостение или рваный край, сразу понимаешь, в каком месте порог не справился с градиентом плотности.

Основные группы классических алгоритмов сегментации КТ

Классические методы строятся вокруг простых правил: интенсивность пикселей в единицах Хаунсфилда, связность соседних областей, форма объекта и его границы. Они не нуждаются в больших обучающих выборках, но чувствительны к шуму, артефактам и анатомической вариабельности. В этом — и их сила, и ограничение.

Пороговая обработка

Самый простой подход: пиксели относят к объекту, если их плотность попадает в заданный диапазон. В КТ это удобно для тканей с относительно стабильными значениями — например, воздух в лёгких (обычно от −1000 до −200 HU) или костные структуры (от +200 HU и выше). Я не раз стартовал именно с порога, чтобы за секунду получить контуры лёгочных полей и сразу понять, насколько серия «шумная».

Плюсы:

• простая реализация — практически в любом просмотрщике DICOM есть инструмент window/level и выделение по порогу;
• высокая скорость вычисления;
• прозрачная интерпретация результата.

Минусы:

• плохо работает в зонах смешения тканей, например на границе лёгкое-плевра, где плотность меняется плавно;
• чувствительна к артефактам — металл, дыхательные колебания могут сильно исказить маску;
• требует аккуратного подбора верхнего и нижнего порогов, которые не всегда универсальны для разных протоколов.

Когда применять

• первичная выделяемость объекта высокая — контраст между целевой структурой и окружением очевиден;
• структура имеет стабильную плотность, мало меняющуюся от пациента к пациенту;
• нужен быстрый прототип сегментации, чтобы понять, стоит ли копать глубже.

Сегментация по регионам

Методы, основанные на росте регионов (region growing), начинают с одной или нескольких стартовых точек и расширяют область, если соседние пиксели близки по интенсивности. Это было моим любимым полуавтоматическим инструментом: ставишь seed point в центр печени — и алгоритм сам расползается, пока не встретит границу. Удобно, когда нужно быстро выделить однородную структуру без чётких краёв.

Преимущества:

• более гибкий, чем простой порог — можно задать критерий похожести в процентах от опорного значения;
• учитывает локальные особенности — соседство проверяется, пока выполняется условие;
• хорошо подходит для ручной или полуавтоматической работы с интерактивной коррекцией seed point.

Ограничения:

• результат сильно зависит от выбора стартовой точки — на неоднородной паренхиме можно получить совершенно разную маску;
• может «утекать» в соседние структуры, если между тканями нет чёткого перепада — например, из лёгкого в грудную стенку при низкодозном сканировании;
• неустойчив при неоднородности ткани — жировой гепатоз или «матовое стекло» могут разбить область на фрагменты.

Активные контуры

Активные контуры (snake-модели) ищут границу, которая одновременно стремится к гладкости и притягивается к перепадам интенсивности на изображении. Такой контур «обтягивает» орган, словно резиновая лента. В моей практике они хорошо подходили для уточнения селезёнки или почки, когда стартовая маска из порогового метода уже близка, но границу нужно притянуть точно.

Плюсы:

• хорошо описывает плавные анатомические границы, которые типичны для многих органов;
• может уточнять форму объекта, сглаживая нефизиологичные зазубрины;
• удобен как полуавтоматический инструмент с минимальной ручной инициализацией контура.

Минусы:

• требует хорошего начального приближения — если первый контур далёк от истинного, модель может застрять в локальном минимуме и никогда не дойти до реального края;
• плохо переносит разрывы контура, как при частичном объёме или артефактах;
• склонен «залипать» на сильных градиентах соседних структур, если они контрастнее цели.

Морфологические операции

Это вспомогательный инструмент, без которого редко обходится ни один пайплайн. После пороговой сегментации маска почти всегда «грязная»: точечные островки шума, мелкие дырки из-за бронхов или сосудов, тонкие перемычки между соседними анатомическими зонами. Морфология убирает этот мусор. Я часто применял последовательное открытие-закрытие, чтобы получить аккуратный контур лёгкого перед расчётом объёма.

Чаще всего используют:

• эрозию — для удаления одиночных пикселей и утоньшения выступов;
• дилатацию — для заполнения мелких дырок и утолщения маски;
• открытие (эрозия, затем дилатация) — чтобы разорвать тонкие соединения;
• закрытие (дилатация, затем эрозия) — чтобы закрыть внутренние полости;
• заполнение замкнутых внутренних полостей, типичных для сегментации лёгких.

Сравнение классических подходов

В реальной работе эти методы редко живут изолированно. Обычная цепочка: грубый порог → region growing для уточнения → морфологическая очистка. При необходимости — финальная подгонка активными контурами. Именно так я годами готовил маски для обучающих выборок.

Где классические алгоритмы действительно полезны в КТ

Они не конкурируют с нейросетями во всех фронтах, но остаются незаменимыми там, где важна объяснимость, быстрота запуска и минимум инфраструктуры. Не нужен GPU, не нужна размеченная выборка — можно сразу получить результат на новом сете данных.

Практические сценарии

• выделение легочных полей перед расчётом объёма — например, для оценки эмфиземы на низкодозных КТ;
• грубая сегментация костей и кальцинатов в предоперационном планировании;
• первичная разметка для последующей ручной правки — экономит часы монотонной работы;
• подготовка масок для обучения нейросети — часто качество аугментации зависит от чистоты начальных контуров;
• контроль качества сегментации в исследовательских проектах, где важно иметь воспроизводимый baseline.

Когда классика лучше нейросети

Классические алгоритмы могут быть предпочтительнее, если:

• выборка мала и обучать полноценную нейросеть бессмысленно;
• нужен быстрый и объяснимый результат, который можно обсудить с клиницистом без объяснения чёрного ящика;
• задача узкая и анатомически стабильная — например, сегментация кости в коленном суставе;
• важна лёгкая интеграция в существующий рабочий процесс без изменения инфраструктуры PACS.

Что должен учитывать врач при оценке результата

Ошибки сегментации выглядят типично: маска «съедает» часть границы, захватывает соседнюю ткань или оставляет россыпь шумовых островков. Чтобы оценивать корректность, одного взгляда на результат недостаточно — я всегда сверял маску с исходным изображением, обращая внимание на контраст, артефакты и положение объекта в срезе.

На что смотреть в первую очередь

• совпадает ли маска с анатомическими границами — проверять на нескольких уровнях, особенно в зонах сложной геометрии;
• нет ли утечек в соседние структуры — частое явление в апикальных и диафрагмальных отделах лёгких;
• не потеряны ли тонкие участки органа, такие как верхушки или рёберно-диафрагмальные синусы;
• как алгоритм ведёт себя на разных срезах — на одном срезе маска может быть идеальной, а на соседнем пропасть;
• сохраняется ли стабильность на всём объёме исследования — скачки контура между аксиальными срезами указывают на проблему.

Частые причины ошибок

• низкий контраст между тканями при малой дозе облучения;
• дыхательные и двигательные артефакты, которые размазывают границу;
• металлоконструкции — они дают выраженные beam hardening, ломающие пороговую логику;
• нетипичная анатомия — например, situs inversus или постоперационные изменения;
• вариативность протокола сканирования: толщина среза, ядро реконструкции, питч — всё это меняет текстурные характеристики изображения.

Как выбирать алгоритм под задачу

Выбор зависит от цели исследования и однородности целевого объекта. Для рутинного анализа лёгких работает одна комбинация, для очаговых образований печени — другая, а мультиорганная сегментация уже часто требует нейросетевого подхода. Я всегда отталкиваюсь от простого правила.

Простое правило выбора

• если структура контрастная и хорошо отделяется — начинайте с порога;
• если объект однороден и есть явная точка-затравка — пробуйте region growing;
• если важна точная граница, а стартовая маска уже близка — используйте активные контуры;
• если маска «грязная» — добавляйте морфологическую постобработку.

Как встроить классические алгоритмы в рабочий процесс

В клинической или исследовательской среде классические алгоритмы лучше выстраивать в цепочку, а не рассматривать как чёрный ящик. Такой подход даёт более воспроизводимый результат и снижает объём ручных правок.

Рабочая схема

1. Получить КТ-серию и проверить её качество: артефакты, толщину среза, контрастность.
2. Выбрать целевую структуру и решить, какой метод больше подходит под её характеристики.
3. Настроить порог, seed point или начальный контур — часто помогает предпросмотр на одном срезе.
4. Выполнить первичную сегментацию на всём объёме.
5. Очистить маску морфологическими операциями: убрать мусор, заполнить дырки, удалить перемычки.
6. Сверить результат с анатомией на нескольких аксиальных, корональных и сагиттальных реконструкциях.
7. При необходимости вручную поправить границы, особенно в зонах сложной геометрии.

Что особенно важно для врача

• не доверять алгоритму без визуальной проверки — даже стабильные метрики могут давать клинически неприемлемый контур;
• сравнивать результат в трёх плоскостях, потому что проблема может быть заметна только на корональной реконструкции;
• помнить, что стабильный numeric score (например, Dice) не всегда означает клиническую пригодность — маска может систематически завышать объём;
• учитывать, что разные протоколы КТ способны сильно изменить итог сегментации: одна и та же настройка порогов на низкодозной и стандартной серии даст разные маски.

Как классические алгоритмы соотносятся с ИИ-методами

Классические и нейросетевые подходы решают одну задачу, но с разных ракурсов. Классика берёт прозрачностью и минимальными требованиями, ИИ — устойчивостью к анатомической сложности и вариабельности данных. В моей практике часто оптимальным был гибрид: классика даёт стартовую маску, а U-Net или эксперт дорабатывают сложные участки.

Для многих клинических задач разумно строить пайплайн вокруг классического baseline, а сложные случаи — с выраженной патологией или нестандартной анатомией — передавать нейросетевой модели или оставлять на ручную коррекцию.

Какие ошибки чаще допускают при внедрении

На практике большинство проблем возникает не из-за несовершенства алгоритма, а из-за неверной постановки задачи. Часто один и тот же метод пытаются применять ко всем сериям, не учитывая протокол сканирования, дозу, толщину среза и характер патологии.

Типичные ошибки

• выбор порога без проверки на разных сериях — то, что подошло для стандартного протокола, провалится на низкодозном;
• использование одной seed point для неоднородных органов — например, для печени с множественными кистами;
• отсутствие постобработки — маска остаётся зашумлённой, что завышает объёмные показатели;
• игнорирование артефактов и неполных полей обзора, когда алгоритм захватывает край стола или металл;
• оценка качества только по числу, без визуального контроля — Dice 0.95 может соседствовать с «оторванной» верхушкой лёгкого, чего врач не примет.

FAQ

Что такое классические алгоритмы сегментации КТ простыми словами?

Это методы, которые выделяют орган или очаг по заранее заданным правилам: по плотности пикселей (порог), по связности соседей (region growing), по форме границы (активные контуры) и с последующей морфологической очисткой. Они не обучаются — правила закладывает разработчик или врач.

Какие классические алгоритмы сегментации КТ используются чаще всего?

Чаще всего применяют пороговую обработку, region growing, активные контуры и морфологические операции для очистки маски. Именно эту комбинацию я видел в большинстве рабочих станций рентгенологов.

Подходят ли классические алгоритмы для легких?

Да, особенно для первичной сегментации легочных полей и подготовки данных для дальнейшего анализа. Но при выраженных артефактах, сливной пневмонии или массивном фиброзе часто нужны дополнительные методы либо переход к нейросетям.

Можно ли полностью заменить ИИ классическими методами?

Нет, не во всех задачах. Классические алгоритмы хороши как baseline и полуавтоматический инструмент, но для сложной неоднородной сегментации — например, выделения патологических очагов в лёгких или мультиорганной разметки — ИИ обычно надёжнее и требует меньше ручного вмешательства.

Что важнее всего при проверке результата сегментации?

Визуальное совпадение маски с анатомией на нескольких срезах, отсутствие утечек в соседние структуры и стабильность контура по всему объёму исследования. Метрики вроде Dice полезны, но окончательное слово остаётся за врачом, который смотрит на томограмму.