Сегментация биомедицинских изображений

Сегментация биомедицинских изображений — это область компьютерного зрения и медицинской информатики, занимающаяся выделением на медицинских изображениях (рентгенограммах, снимках МРТ, КТ, гистологических препаратах, изображениях клеток и тканей) областей, соответствующих анатомическим структурам, патологическим образованиям, органам или тканям. Целью сегментации является автоматическое или полуавтоматическое разграничение пикселей изображения на классы, что позволяет количественно оценить морфологические параметры, облегчить диагностику, планирование лечения и научные исследования.

История развития

Методы сегментации биомедицинских изображений прошли несколько этапов эволюции, от ручного выделения границ до глубокого обучения.

Ранние методы (1960–1990-е годы)

Первые подходы основывались на простых пороговых методах, детекторах границ (например, оператор Кэнни) и морфологических операциях. Эти методы требовали значительного ручного вмешательства и были чувствительны к шуму и неоднородности освещения.

Методы машинного обучения (1990–2010-е годы)

С развитием вычислительной техники стали применяться статистические методы, такие как модели активных контуров (snakes), уровень-сет (level-set), марковские случайные поля и методы кластеризации (k-means, fuzzy c-means). Эти подходы позволяли учитывать пространственную связность пикселей и форму объектов.

Эра глубокого обучения (с 2012 года)

Прорыв произошёл с внедрением свёрточных нейронных сетей (CNN). Архитектура U-Net, предложенная в 2015 году, стала стандартом для сегментации биомедицинских изображений благодаря своей способности работать с ограниченным количеством размеченных данных и эффективно комбинировать контекстную информацию с деталями высокого разрешения.

Типы сегментации

Семантическая сегментация

Каждому пикселю присваивается метка класса (например, «опухоль», «здоровое лёгкое», «костная ткань»). Объекты одного класса не различаются между собой.

Инстанс-сегментация

Выделяются отдельные экземпляры объектов одного класса (например, каждая клетка на гистологическом снимке получает свою уникальную метку).

Паноптическая сегментация

Объединяет семантическую и инстанс-сегментацию: все пиксели изображения классифицируются, а для объектов, принадлежащих к классам «вещей» (например, клетки, сосуды), дополнительно выделяются отдельные экземпляры.

Основные методы и архитектуры

Классические методы

• Пороговая сегментация: разделение изображения на основе интенсивности пикселей (например, метод Оцу).
• Методы на основе границ: детекторы Кэнни, Собела, Превитта.
• Методы на основе регионов: выращивание областей (region growing), разделение и слияние (split-and-merge).
• Методы на основе кластеризации: k-means, иерархическая кластеризация.
• Модели активных контуров: деформируемые кривые, минимизирующие энергию.

Методы машинного обучения

• Случайный лес (Random Forest) и градиентный бустинг (XGBoost, LightGBM) — применялись для классификации пикселей на основе текстурных и статистических признаков.
• Метод опорных векторов (SVM) — для бинарной сегментации.
• Марковские случайные поля (MRF) и условные случайные поля (CRF) — для учёта пространственной связности.

Методы глубокого обучения

• U-Net: архитектура «энкодер-декодер» с пропускными соединениями (skip connections), обеспечивающая передачу деталей высокого разрешения из ранних слоёв в декодер.
• SegNet: использует индексы пулинга для восстановления пространственной информации.
• DeepLab: серия моделей (v1–v3+) с применением атрофированных свёрток и пространственной пирамиды пулинга (ASPP).
• Mask R-CNN: расширение Faster R-CNN для инстанс-сегментации, добавляющее ветвь для предсказания маски каждого объекта.
• Vision Transformer (ViT) и гибридные модели (TransUNet, Swin-UNet) — используют механизмы внимания для захвата глобального контекста.
• nnU-Net: автоматическая настройка архитектуры U-Net под конкретный датасет без ручного вмешательства.

Применение в медицине

Диагностика и скрининг

• Онкология: сегментация опухолей (лёгких, печени, почек, молочной железы, мозга) на КТ, МРТ и ПЭТ-изображениях для оценки объёма, стадии и мониторинга лечения.
• Кардиология: выделение камер сердца, коронарных артерий, атеросклеротических бляшек на КТ-ангиограммах.
• Неврология: сегментация структур головного мозга (гиппокамп, базальные ганглии, белое и серое вещество) при болезни Альцгеймера, рассеянном склерозе, инсультах.
• Офтальмология: выделение сосудов сетчатки, диска зрительного нерва, очагов диабетической ретинопатии на снимках глазного дна.

Планирование лечения

• Лучевая терапия: точное оконтуривание опухолей и органов риска для расчёта доз облучения.
• Хирургия: предоперационное планирование и навигация на основе 3D-моделей, построенных по сегментированным изображениям.

Научные исследования

• Гистология и цитология: сегментация клеток, ядер, митотических фигур для анализа тканей и автоматизации патологоанатомических исследований.
• Микроскопия: выделение нейронов, синапсов, внутриклеточных структур на конфокальных и флуоресцентных снимках.

Проблемы и ограничения

• Недостаток размеченных данных: разметка медицинских изображений требует высокой квалификации специалистов и является трудоёмкой.
• Дисбаланс классов: патологические области часто занимают малую долю изображения, что затрудняет обучение моделей.
• Вариабельность: различия в оборудовании, протоколах съёмки, анатомических особенностях пациентов.
• Интерпретируемость: модели глубокого обучения часто рассматриваются как «чёрные ящики», что затрудняет их внедрение в клиническую практику, где требуется объяснение решений.
• Обобщение: модель, обученная на данных одной клиники, может плохо работать на данных другой из-за различий в распределении.

Оценка качества сегментации

Для количественной оценки точности сегментации используются метрики, сравнивающие предсказанную маску с эталонной (разметкой эксперта):

• Dice Similarity Coefficient (DSC): мера перекрытия двух бинарных масок, наиболее распространённая в медицинской сегментации.
• Intersection over Union (IoU) / Jaccard Index: отношение площади пересечения к площади объединения.
• Sensitivity (Recall): доля истинно положительных пикселей среди всех пикселей эталонной маски.
• Specificity: доля истинно отрицательных пикселей среди всех пикселей фона.
• Hausdorff Distance: максимальное расстояние между границами предсказанной и эталонной масок, оценивающее точность контуров.
• Average Surface Distance: среднее расстояние между границами.

Инструменты и библиотеки

• MONAI (Medical Open Network for AI) — фреймворк на базе PyTorch, специализированный для медицинской визуализации, включающий предобученные модели, аугментации и метрики.
• nnU-Net — автоматическая конфигурация U-Net под конкретный датасет.
• DeepLab — реализация в библиотеках TensorFlow и PyTorch.
• SimpleITK — библиотека для обработки медицинских изображений с поддержкой сегментации.
• 3D Slicer — открытая платформа для визуализации и анализа медицинских изображений, включающая модули сегментации.
• ITK-SNAP — инструмент для полуавтоматической сегментации с активными контурами.

Перспективы развития

• Мультимодальная сегментация: объединение данных из разных источников (КТ, МРТ, ПЭТ) для повышения точности.
• Слабо контролируемое обучение: использование грубых разметок (например, ограничивающих рамок) вместо попиксельных масок.
• Самообучение и обучение с подкреплением: снижение зависимости от размеченных данных.
• Интеграция с клиническими рабочими процессами: автоматическое выделение структур в реальном времени во время операций или лучевой терапии.
• Объяснимый ИИ: методы визуализации важности признаков (Grad-CAM, LIME) для повышения доверия врачей.

Источники

• Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation.
• Milletari, F., Navab, N., & Ahmadi, S. A. (2016). V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation.
• Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs.
• Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation.
• Litjens, G., Kooi, T., Bejnordi, B. E., et al. (2017). A survey on deep learning in medical image analysis.
• Medical Image Computing and Computer-Assisted Intervention (MICCAI) — ежегодные конференции и публикации.