сегментация

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.

В статье, опубликованной в npj Artificial Intelligence 2 сентября 2026 года, представлен метод UPMA (unspecified pretraining and modular adaptation) — подход к автоматическому оконтуриванию (сегментации) клинических целевых объемов (CTV) при адаптивной лучевой терапии рака пищевода. Метод сочетает неспецифицированное предобучение на больших наборах медицинских изображений с модульной адаптацией, что позволяет учитывать контекст анатомических изменений между фракциями облучения. Авторы решают ключевую проблему адаптивной радиотерапии: необходимость пересчета дозовых карт при изменении формы опухоли и окружающих тканей в процессе лечения. UPMA использует архитектуру на основе трансформеров с модулями адаптации, которые настраиваются на конкретного пациента с минимальным количеством размеченных данных. В экспериментах на клинических данных метод показал средний коэффициент Dice 0.87 для CTV, что на 6-8% выше по сравнению с базовыми моделями (U-Net и nnU-Net), а также снижение времени обработки одного случая до 12 секунд. Особое внимание уделено контекстной адаптации: модель учитывает предыдущие фракции облучения и текущие анатомические изменения, что повышает точность сегментации на 12% при значительных деформациях тканей. Разработка имеет прямое практическое значение для клиник, внедряющих адаптивную лучевую терапию, поскольку позволяет сократить ручную работу онкологов-радиологов и повысить точность лечения. Авторы отмечают, что метод может быть распространен на другие локализации опухолей и другие задачи медицинской сегментации.

Представлена ARTNet — трансформерная нейросеть для автоматической классификации и сегментации диабетической ретинопатии (ДР) по снимкам глазного дна. Модель объединяет три подсети: адаптивную канальную калибровку, пространственное внимание к клинически значимым областям и трансформерный энкодер для глобального контекста. На наборах данных Diabetic Retinopathy Detection, APTOS-2019 и IDRiD модель достигает точности 96.45% и превосходит современные подходы, поддерживая реальный скрининг в офтальмологии.

В статье, опубликованной в журнале Artificial Intelligence in Medicine, представлена новая объяснимая парадигма на основе контрфактических примеров и оценки неопределенности для автоматического обнаружения и сегментации кист почек на контрастных КТ-изображениях брюшной полости. Исследование является многоцентровым и включает данные от нескольких медицинских учреждений, что повышает обобщаемость результатов. Авторы разработали модель глубокого обучения, которая не только выполняет сегментацию, но и предоставляет объяснения своих решений через контрфактические примеры — альтернативные сценарии, показывающие, как изменение входных данных повлияло бы на результат. Дополнительно модель оценивает неопределенность своих предсказаний, что критически важно для клинического применения, где ложные срабатывания могут привести к ненужным инвазивным процедурам. Такой подход повышает доверие врачей к системе и позволяет им лучше понимать, когда можно полагаться на автоматические результаты. Исследование демонстрирует, что интеграция объяснимости и оценки неопределенности в медицинские ИИ-системы является перспективным направлением для внедрения в клиническую практику, особенно в задачах радиологии, где точность и прозрачность решений имеют первостепенное значение.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Систематический обзор 128 исследований (2021-2026) оценивает применение трансформерных архитектур в медицинской визуализации: сегментация, классификация, реконструкция и регистрация изображений. Наиболее убедительные результаты достигаются гибридными моделями, сочетающими локальную экстракцию признаков с глобальным контекстом, а не чистыми трансформерами. Выявлены ключевые проблемы: отсутствие стандартизированных бенчмарков, ограниченная внешняя валидация, недостаточная доступность кода и слабая клиническая оценка.

В статье представлена инновационная архитектура нейронной сети PDAFormer 3+, предназначенная для высокоточной сегментации трехмерных медицинских изображений. Основная особенность метода заключается в использовании модифицированного трансформера с механизмом параллельного двойного внимания (parallel dual attention), что позволяет эффективнее улавливать как локальные, так и глобальные пространственные зависимости в данных. Исследование направлено на решение проблемы вычислительной сложности при обработке объемных медицинских данных (КТ/МРТ) без потери детализации структур. Методология PDAFormer 3+ оптимизирует процесс извлечения признаков, обеспечивая более четкие границы сегментируемых органов или патологий. Результаты демонстрируют превосходство предложенного подхода над существующими архитектурами в задачах 3D-сегментации. Данная разработка имеет критическое значение для автоматизации радиологического анализа и повышения точности постановки диагнозов на основе визуализации.

В статье представлен SegBio — новый инструмент с открытым исходным кодом, предназначенный для автоматизации высокопроизводительного фенотипирования биологических образцов. Основная проблема, которую решает разработка, заключается в трудоемкости ручной аннотации изображений с плотной компоновкой объектов (например, клеток или организмов). Методология SegBio включает интерактивный графический интерфейс, который позволяет создавать полные маски объектов на основе минимальных разметок центральных линий, что радикально снижает затраты времени на разметку. Система объединяет настраиваемый модуль обучения на базе архитектуры U-Net и автономное приложение для инференса с возможностью редактирования в режиме «человек в цикле» (human-in-the-loop). Исследование подтвердило эффективность метода на новом наборе данных изображений C. elegans, где модель достигла показателя паноптической точности (Panoptic Quality) около 0.85. Инструмент позволяет точно количественно оценивать морфологию и флуоресценцию каждого отдельного организма, что делает его масштабируемым решением для лабораторий, работающих с клеточными органеллами и другими плотными биологическими структурами.

Исследование предлагает практический фреймворк для малоэталонного развертывания предобученных трансформеров МРТ в различных задачах нейровизуализации. Авторы используют стратегию предобучения Masked Autoencoder на 31 миллионе 2D срезов МРТ и демонстрируют state-of-the-art результаты с точностью 99.24% и превосходными показателями сегментации.

Исследование представляет метод DeepBranchAI — каскадный рабочий процесс для автоматической сегментации трехмерных разветвленных структур в биологических системах. Методология основана на итеративном цикле: случайные леса генерируют предварительные сегментации на основе минимальных аннотаций, эксперты уточняют результаты, что позволяет постепенно приближаться к эталонным данным. По мере накопления размеченных данных обучение переходит от 2D к 3D архитектурам, систематически расширяя ограниченные наборы данных. Валидация на митохондриальных сетях, полученных методом сканирующей электронной микроскопии с фокусированным ионным пучком (FIB-SEM, разрешение 15 нм), показала коэффициент сходства Дайса 0,942 при пятикратной кросс-валидации. При переносе обучения на сосудистые сети (датасет VESSEL12, КТ-объемы, разница в размере вокселей 30 000 раз) с использованием всего 10% целевых данных достигнута точность 97,05% против ground truth, что подтверждает обобщаемость топологических принципов. Метод сокращает время аннотации с месяцев до недель и трансформирует разреженные начальные метки в надежные обучающие наборы. Полная реализация, обученные веса и код валидации предоставлены в открытом доступе, что делает метод доступным для медицинского сообщества.