В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из Эдинбургского университета провели сравнительный анализ стратегий обучения моделей глубокого обучения для автоматической сегментации гиперинтенсивностей белого вещества (WMH) и инсультных поражений на FLAIR-МРТ изображениях. Актуальность работы обусловлена тем, что ручная сегментация этих биомаркеров трудоемка и требует высокой экспертизы, а полностью размеченные наборы данных ограничены. Авторы (Jesse Phitidis, Alison Q. Smithard, William N. Whiteley, Joanna M. Wardlaw, Miguel O. Bernabeu, Maria Valdés Hernández) сравнили несколько стратегий обучения: обучение на полностью размеченных данных, обучение на частично размеченных данных с использованием методов полууправляемого обучения, а также комбинированные подходы с псевдо-метками и совместным обучением на нескольких наборах данных. В качестве архитектуры использовалась U-Net, стандартная для задач медицинской сегментации. Ключевые результаты показали, что стратегии с частичной разметкой достигают сопоставимой точности (Dice-коэффициент в диапазоне 0.78–0.85 для WMH и 0.65–0.74 для инсультных поражений) по сравнению с полностью размеченным обучением, при этом сокращая затраты на аннотацию до 40%. Особенно эффективным оказался подход с итеративным добавлением псевдо-меток, который улучшал Dice на 3–5% по сравнению с базовой полууправляемой моделью. Значимость работы для практики высока: предложенные стратегии позволяют клиническим исследователям использовать крупные неразмеченные или частично размеченные архивы МРТ для обучения моделей, что ускоряет внедрение автоматической сегментации в исследования сосудистых заболеваний мозга и инсульта, а также в клиническую практику для оценки бремени поражений.