Канадские учёные ускорили разметку рентгеновских снимков с помощью ИИ

Сегментация анатомических структур на рентгенограммах остаётся одной из наиболее трудоёмких задач визуальной диагностики: она требует времени, высокой точности и воспроизводимости, особенно когда изображения используются для обучения моделей искусственного интеллекта. Канадские исследователи проанализировали, способна ли глубокая активная модель обучения VISTA повысить точность определения контуров органов у собак и уменьшить зависимость уровня точности сегментации от уровня подготовки специалиста. Полученные данные показали, что полуавтоматический подход обеспечивает более высокую точность как у начинающих пользователей, так и у опытных радиологов, одновременно сокращая время работы и увеличивая согласованность результатов.

Цель исследования заключалась в том, чтобы сравнить точность ручной сегментации и сегментации с использованием модели VISTA, а также определить, уменьшает ли полуавтоматический метод вариабельность результатов работы пользователей разного уровня подготовки. Авторы стремились выяснить, смогут ли студенты и клиницисты без специальной подготовки достигать точности, сопоставимой с работой экспертов-радиологов, если они используют предварительные контуры, предложенные моделью, и корректируют их вручную.

Учёные проанализировали 50 вентродорсальных и дорсовентральных рентгенограмм грудной клетки собак. Модель обучали на эталонной разметке, сделанной сертифицированным радиологом, и проверяли на отдельной выборке. В эксперименте участвовали 22 человека, разбитые на три группы: студенты, клинические специалисты общего профиля и радиологи. Каждый участник выполнял сегментацию двумя способами — вручную и полуавтоматически, корректируя контуры, предложенные моделью. Точность сравнивали с эталонными масками по метрикам Intersection over Union (IoU), расстоянию Хаусдорфа (HD) и внутриклассовому коэффициенту согласия (ICC). Дополнительно фиксировали затраченное время и субъективную оценку удобства работы.

Подпишитесь прямо сейчас на наш телеграм-канал, чтобы следить за ветеринарными новостями.

Использование VISTA существенно повышало точность по сравнению с ручной разметкой. Средние значения IoU для сердца и области живота достигали около 98%, а для остистых отростков — более 74%, тогда как ручная сегментация для этой структуры обеспечивала только 42–48%. Показатели HD также были значительно ниже при полуавтоматическом подходе, что указывает на более точное совпадение контуров с эталоном. Воспроизводимость результатов заметно возрастала: ICC при ручной сегментации составлял 0,36, а при использовании VISTA повышался до 0,81. Наибольшую разницу регистрировали при работе со сложными структурами: время ручной сегментации остистых отростков доходило до 160 секунд, тогда как полуавтоматическая обработка требовала существенно меньше времени. Также отмечено, что пользователи с минимальным опытом при работе с моделью достигали точности, сравнимой с показателями экспертов. Удовлетворённость участников была высокой: медиана оценки составила 4,5 балла из 5.

По мнению авторов, глубокая активная модель обучения существенно улучшает точность, стабильность и скорость сегментации, снижает объём ручной работы и делает процесс доступным для специалистов с разным уровнем подготовки. Исследователи считают, что применение таких инструментов может ускорить создание больших наборов данных для ИИ, оптимизировать рутинную разметку рентгенограмм и повысить качество клинической визуализации в практической работе.

Источник: onlinelibrary.wiley.com