МЕТОД ГЕНЕРАЦИИ МАСОК ДЛЯ СНИМКОВ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ НА ОСНОВЕ МОДЕЛИ СЕГМЕНТАЦИИ

ОБОСНОВАНИЕ ЦЕЛИ

Разметка медицинских изображений, особенно в задачах сегментации, требует значительных временных и человеческих ресурсов. При этом ограниченный объём размеченных данных снижает обобщающую способность моделей, что может привести к ошибкам в диагностике. Использование автоматической генерации масок на основе предобученной модели позволяет быстро и эффективно расширить датасет без привлечения специалистов.

Целью данной работы является создание и внедрение скрипта для автоматической генерации сегментированных масок поражённых участков лёгких на рентгеновских снимках. Это решение призвано повысить качество и стабильность последующего обучения модели, а также сократить затраты времени на подготовку данных.

ОПИСАНИЕ ПОДХОДА

Для генерации масок поражённых участков лёгких на рентгеновских снимках был применён комплексный подход, основанный на использовании заранее размеченных данных и обученной нейросетевой модели сегментации. Основной целью данного этапа является формирование дополнительных разметок, которые в дальнейшем будут использоваться для анализа, обучения других моделей или валидации существующих решений.

В работе использовались несколько открытых медицинских датасетов, включающих снимки грудной клетки, на которых уже присутствуют маски с отмеченными зонами поражения. Для обучения и валидации модели был использован объединённый датасет, включающий свыше 27 000 изображений, размеченных соответствующими масками. Использование крупного объёма данных обеспечило высокую обобщающую способность модели. В ходе экспериментальной оценки были достигнуты следующие метрики качества: AUC > 97%, IoU > 80% (в среднем по классам), что свидетельствует о высокой точности сегментации и способности модели к достоверному выделению патологических структур на изображениях.

В основу решения легла мультитаск-архитектура на базе энкодера EfficientNetB4, реализующая одновременную классификацию заболевания и сегментацию поражённых областей. Такой подход позволяет учитывать, как глобальную информацию об изображении, так и локальные признаки, что особенно актуально в задачах медицинской визуализации.

Всего было собрано порядка 27 000 изображений, сгруппированных по следующим клиническим категориям:

• COVID-19
• Рак лёгких
• Вирусная пневмония
• Помутнение лёгких
• Здоровые лёгкие

Рисунок 1. Изображение из датасета с больными легкими и прикреплённая маска

Обучение проводилось на объединённом наборе изображений с применением техник аугментации и валидации на отложенной выборке. Результаты показали высокое качество работы модели, что подтверждается следующими метриками:

Таблица 1.

Метрики обученной модели

Высокие значения метрик позволяют с уверенностью использовать модель для генерации масок на новых данных. Полученные сегментированные изображения визуально подтверждают точность и полноту выделения поражённых участков. На рисунке ниже представлены примеры работы модели: исходное изображение, карта поражения и итоговое наложение маски на изображение.

Рисунок 2. Рак легких и сгенерированная маска

Таким образом, модель успешно применяется в качестве инструмента для автоматического дополнения датасета размеченными примерами. Это значительно упрощает подготовку обучающей выборки и способствует созданию более устойчивых и точных диагностических решений на основе искусственного интеллекта.

ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ

Разработанное решение может быть интегрировано в различные практические области, в том числе:

• в системы поддержки принятия врачебных решений (Clinical Decision Support Systems, CDSS);
• при подготовке обучающих материалов для специалистов в области лучевой диагностики;
• в качестве инструмента предобработки и генерации аннотированных данных для последующего машинного обучения.

Интеграция предложенной системы в существующие решения хранения и анализа медицинской информации (например, PACS-системы) может существенно повысить эффективность диагностических процессов, особенно в условиях высокой нагрузки на медицинский персонал или дефицита квалифицированных кадров.

ВЫВОДЫ

Результаты проведённой работы имеют как теоретическое, так и практическое значение. Предложенный подход демонстрирует возможность повышения точности и надёжности автоматизированного анализа рентгеновских изображений, а также сокращения времени, затрачиваемого на подготовку обучающих данных, что делает его актуальным и востребованным в сфере медицинских информационных систем.

Визуальные примеры работы модели демонстрируют корректную локализацию патологических изменений. Разработанный программный инструмент позволил существенно расширить исходную обучающую выборку путём генерации дополнительных масок, что имеет важное значение в контексте ограниченности доступных размеченных медицинских данных.