Улучшение генеративных сетей для локализации аномалий в грудной клетке через автоматическую регистрацию при переводе непарных данных обучения в псевдопарные

Почему важно рано обнаруживать проблемы с лёгкими

Рентген грудной клетки — один из самых быстрых и дешёвых способов заглянуть внутрь грудной клетки; ежедневно во всём мире делаются миллионы снимков. Тем не менее небольшие или тусклые очаги заболевания бывает трудно увидеть даже экспертам, особенно когда они сливаются с рёбрами, сердцем или другими нормальными структурами. В этом исследовании изучается, как искусственный интеллект (ИИ) может надёжнее выделять подозрительные участки на рентгенах грудной клетки без необходимости в кропотливой поксельной разметке радиологами. Это делает подход особенно привлекательным для больниц и клиник с ограниченным временем экспертов и большой нагрузкой пациентов.

Обещание и проблемы современных ИИ для рентгенов

Многие существующие ИИ-системы для рентгенов грудной клетки хорошо справляются с ответом «да» или «нет» на вопрос типа «Есть ли пневмония?», но гораздо слабее в том, чтобы показать точно, где именно находится болезнь. Одна из популярных групп методов — генеративные состязательные сети (GAN) — обучается преобразовывать изображение с патологией в версию, выглядящую как нормальная. Вычитая одно из другого, алгоритм может выявить подозрительные области. Это привлекательно тем, что не требует детальной разметки каждой поражённой области при обучении. Однако тренировочные данные обычно состоят из отдельных наборов нормальных и патологических изображений от разных пациентов. Поскольку размер тела, поза и форма лёгких сильно различаются, ИИ трудно решить, вызвано ли различие между изображениями болезнью или просто анатомическими особенностями. В результате возможна нестабильная работа и странные артефакты, например искажение или «стирание» рёбер или нормальной ткани.

Создание виртуальных пар из непарных изображений

Авторы справляются с этой ключевой слабостью, сначала принудительно приводя рентгеновские изображения к более близкому анатомическому соответствию, прежде чем использовать их для обучения и анализа. Они предлагают двухэтапный процесс, называемый IT-PR и его расширение на основе глубокого обучения IT-DPR, который эффективно превращает непарные нормальные и патологические рентгены в «псевдопары». На первом этапе, не требующем обучения, метод использует лишь контуры лёгких, чтобы отобразить каждую точку внутри лёгкого в общую систему координат. Левая и правая лёгкие каждого пациента сегментируются, растягиваются и смещаются так, чтобы эквивалентные внутренние области выровнялись между людьми относительно одного эталонного лёгкого. Это уже снижает многие грубые несоответствия в размере и форме без опоры на какую-либо информацию о болезни или на обучение нейросети.

Обучение более тонкой выравнивающей трансформации с помощью глубокого обучения

Поскольку простое геометрическое искажение не может идеально совпадать с тонкостями анатомии лёгких, во втором шаге добавляется обучаемая деформируемая регистрация. Здесь нейросеть обучается не на несвязанных парах пациентов, а на парах, сформированных от того же пациента: исходного изображения лёгкого и его предварительно выровненной версии после первого шага. Таким образом сеть учится только корректировать различия в координатах, а не придумывать или удалять патологию. Эта уточнённая регистрация даёт более плавные, естественные деформации и избегает двух основных сбоев, встречающихся в обычных методах регистрации: «смывания» реальных очагов, когда «фиксированное» изображение здорово, и создания нереалистичных оттенков или перегибов вдоль границ лёгких при использовании грубых масок.

Более точное обнаружение туберкулёза и затемнений в лёгких

Чтобы проверить подход, исследователи применили конвейер с усиленной регистрацией к двум известным задачам рентгена грудной клетки: обнаружению туберкулёза и выявлению консолидации, вида затемнения лёгочной ткани, характерного для пневмонии и других состояний. Они интегрировали IT-PR и IT-DPR в две стандартные модели трансляции на основе GAN — CycleGAN и CUT — и сравнили их с этими же моделями, запущенными обычным способом, а также с ведущей регистрационно-ориентированной генеративной моделью Reg-GAN и популярными инструментами регистрации, такими как VoxelMorph и SynthMorph. Используя пациент-уровневый «оценочный показатель аномалии», суммирующий, насколько сильно рентген отличается от сгенерированного ИИ нормального аналога, новый метод значительно повысил качество работы. Для туберкулёза лучшая конфигурация подняла площадь под ROC-кривой с 0.755 до 0.928; для консолидации уже высокий показатель 0.964 увеличился до 0.991. Подход также обеспечил более стабильное поведение при разных порогах принятия решения и заметно более чистые, лучше локализованные карты выделения по сравнению с ограничивающими прямоугольниками, предоставленными радиологами.

Что это значит для пациентов и клиник

С практической точки зрения работа показывает, что аккуратное выравнивание рентгенов грудной клетки перед ИИ-анализом может сильно повлиять на надёжность обнаружения очагов болезни. Создавая виртуальные пары «нормально–патологично» без поксельных меток, метод снижает затраты на аннотацию, одновременно повышая точность и интерпретируемость. Хотя добавленные этапы регистрации увеличивают время вычислений до десятков секунд на изображение, это всё ещё укладывается в типичные времена чтения для радиологов. Рамки исследования являются прототипом и зависят от качества сегментации лёгких, но они демонстрируют мощную идею: когда ИИ «смотрит» на медицинские изображения через общую анатомическую карту, он лучше отличает нормальные вариации от настоящей патологии, что открывает путь к более надёжным и широкодоступным инструментам для рентгенографии грудной клетки.

Цитирование: Oh, S.J., Kim, K., Lim, C.Y. et al. Enhancing generative networks for chest anomaly localization through automatic registration-based unpaired-to-pseudo-paired training data translation. Sci Rep 16, 11125 (2026). https://doi.org/10.1038/s41598-026-39979-2

Ключевые слова: ИИ для рентгена грудной клетки, локализация аномалий, регистрация медицинских изображений, генеративные состязательные сети, обнаружение туберкулёза