Искусственный интеллект для диагностики рака
Заболевания предстательной железы остаются одной из значимых проблем мужского здоровья, а их раннее выявление по-прежнему связано с рядом диагностических сложностей. На магнитно-резонансных томограммах патологические изменения нередко имеют слабый контраст по отношению к здоровым тканям, поэтому их точная локализация и определение границ требуют высокого уровня экспертизы. Автоматический анализ медицинских изображений на основе искусственного интеллекта способен поддержать работу врачей, однако эффективность таких систем зависит от того, насколько корректно алгоритм выделяет сам орган и области интереса внутри него.
Доцент Высшей школы управления кибер-физическими системами СПбПУ Роман Давыдов совместно с коллегами из Алферовского университета и ЛЭТИ изучил способы повышения точности сегментации изменений предстательной железы на Т2-взвешенных МР-изображениях. Сегментация — это попиксельное выделение нужных областей на снимке; в данной работе речь идет о контурах предстательной железы и клинически значимых очагах. Для исследования использован анонимизированный набор из 400 мультипараметрических МР-исследований, полученных в двух медицинских учреждениях. Разметку границ органа и патологических зон выполнили опытные радиологи.
В качестве базового подхода ученые протестировали несколько современных нейросетевых архитектур, включая UNETR, UNET++, Swin-UNETR, SegResNetDS и SegResNetVAE. Модели анализировали либо отдельные двумерные срезы, либо полный трехмерный объем МР-исследования. Затем авторы усложнили схему обработки: сначала нейросеть DenseNet-201 отбирала информативные срезы, после чего детектор YOLOv9 локализовал предстательную железу и позволил выделить ограниченную область интереса. Внутри этой области другая модель выполняла трехмерную сегментацию органа, а затем — интересующих зон.
Такой каскадный подход отвечает одному из ключевых вызовов медицинского компьютерного зрения: анатомические изображения содержат значительный объем фоновой информации, что может снижать точность алгоритмов. Последовательное сужение области анализа позволяет сосредоточить вычисления на целевой структуре и учитывать пространственные связи между соседними МР-срезами. При этом предложенная схема сохраняет совместимость с распространенными архитектурами сегментации и может быть адаптирована для других задач биомедицинского анализа изображений.
Авторы продемонстрировали, что предварительная локализация предстательной железы повышает качество последующей сегментации. Для архитектуры Swin-UNETR коэффициент Dice — метрика, оценивающая степень перекрытия предсказанной алгоритмом и эталонной области (от 0 до 1, где 1 означает полное совпадение), — при сегментации органа вырос с 71,37% при прямом анализе трехмерных данных до 76,09% после обнаружения железы и обрезки изображения. Результаты показали, что наиболее существенный эффект проявляется при выделении патологических зон: показатель Dice увеличился с 55,03% для прямой трехмерной сегментации до 67,11% в итоговом каскаде, а значение ROC AUC на тестовой выборке составило 0,89.
В работе сделан вывод о том, что изоляция области предстательной железы с помощью детектора и последующей трехмерной сегментации является эффективным способом повышения точности автоматического анализа МР-изображений. Исследователи отмечают ограничения метода: каскад включает несколько последовательных нейросетей и чувствителен к различиям в контрасте снимков. Дальнейшая работа будет связана с проверкой алгоритма на независимых наборах данных, повышением устойчивости к особенностям разных МР-сканеров и изучением возможности использования нескольких серий мультипараметрической МРТ. Потенциально такие решения могут применяться для поддержки локализации очагов, планирования прицельной биопсии и лучевой терапии, где точные контуры органа и зон интереса важны для дозиметрии; клиническую эффективность подхода еще предстоит подтвердить в реальных рабочих процессах.
Оригинал статьи: Improving Prostate Cancer Segmentation on T2-Weighted MRI Using Prostate Detection and Cascaded Networks. Algorithms. 2026. Vol. 19, No. 1, Article 85.
.jpg)
