Автоматическая сегментация легких в рутинной визуализации — прежде всего проблема разнообразия данных, а не методологии

Введение: Автоматизированная сегментация анатомических структур — важный этап анализа изображений. Для сегментации легких на компьютерной томографии существует множество подходов, включая сложные конвейеры, обученные и валидированные на разных наборах данных. Однако клиническая применимость этих подходов при различных заболеваниях остается ограниченной.

Методы: Сравнивали четыре универсальных подхода глубокого обучения, обученных на разных наборах данных, и два общедоступных алгоритма сегментации легких. Оценку проводили на данных рутинной визуализации, включавших более шести различных паттернов заболеваний, а также на трех опубликованных наборах данных.

Результаты: При использовании разных подходов глубокого обучения средние коэффициенты схожести Dice (DSC) на тестовых наборах различались не более чем на 0,02. При обучении на разнообразном рутинном наборе данных (n = 36) стандартный подход U-net обеспечивал более высокий DSC (0,97 ± 0,05) по сравнению с обучением на общедоступных наборах, таких как Lung Tissue Research Consortium (0,94 ± 0,13, p = 0,024) или Anatomy 3 (0,92 ± 0,15, p = 0,001). При обучении на рутинных данных (n = 231), охватывающих несколько заболеваний, U-net по сравнению с эталонными методами давал DSC 0,98 ± 0,03 против 0,94 ± 0,12 (p = 0,024).

Выводы: Точность и надежность алгоритмов сегментации легких в сложных случаях в первую очередь зависят от разнообразия обучающих данных, а не от выбора модели. Критически важны создание новых наборов данных и предоставление обученных моделей в открытый доступ. Опубликовав обученную модель по лицензии General Public License 3.0, мы стремимся стимулировать исследования заболеваний легких, предоставив готовый к использованию инструмент для сегментации патологически измененных легких.