Улучшенный алгоритм африканских стервятников для многопороговой оптимизации при сегментации рентгенограмм грудной клетки

Более четкий обзор внутренностей грудной клетки

Рентген грудной клетки — один из самых распространенных медицинских тестов, но врачи по‑прежнему во многом полагаются на свой глаз, отделяя здоровые ткани от признаков заболевания. Компьютеры могут помочь, автоматически разделяя изображение на смысловые области — процесс, называемый сегментацией. В этой работе предлагается новый способ, позволяющий компьютеру «разрезать» рентгеновские снимки грудной клетки на несколько чистых слоев, чтобы такие области, как легкие, кости и аномальные тени, было легче измерять и отслеживать во времени.

Почему «нарезка» изображения сложнее, чем кажется

На первый взгляд разделить изображение на светлые и темные участки просто: выбрать порог яркости, и все ярче — в одну группу, темнее — в другую. Классические методы, такие как метод Отсу и энтропия Капура, именно так и поступают и хорошо работают, когда нужно лишь два класса. Однако современные медицинские изображения намного сложнее. Рентген грудной клетки может требовать разделения на несколько слоев, чтобы отделить легочную ткань, ребра, силует сердца и возможные очаги поражения. Попытки сделать это с множеством порогов быстро превращаются в вычислительно тяжелую задачу, и старые методы замедляются или не находят наилучшее разбиение изображения.

Используя стратегию падальщиков

Чтобы справиться с этой задачей, авторы развивают недавнюю идею из информатики, вдохновленную африканскими стервятниками. В природе эти птицы широко бродят в поисках пищи, когда еды мало, и сосредотачиваются, когда приближаются к туше. Алгоритм оптимизации африканских стервятников имитирует такое поведение: группа виртуальных «стервятников» исследует математический ландшафт в поисках наивысших вершин, которые соответствуют лучшим решениям задачи. Для сегментации изображения каждая возможная комбинация порогов яркости — это точка в этом ландшафте. Цель — найти наборы, дающие четкие и информативные слои рентген‑снимка.

Делаем цифровой рой умнее

Оригинальный алгоритм стервятников иногда застревает, кружась вокруг одной перспективной вершины и пропуская лучшие пики в других местах. Авторы предлагают улучшенную многоцелевую версию алгоритма африканских стервятников — IMMOAVOA — чтобы избежать этой ловушки. Во‑первых, они вводят шаг обучения «частично противоположным средним»: когда рой начинает слишком сильно сжиматься, генерируются новые кандидаты, частично инвертируя их положения в ландшафте и усредняя их. Это создаёт свежие, разнообразные варианты, не отбрасывая уже достигнутый прогресс. Во‑вторых, они добавляют этап углублённого поиска, который уточняет особенно перспективные кандидаты, осторожно подталкивая их малыми и уменьшающимися шагами, что позволяет алгоритму точно локализовать лучшие вершины вместо бесцельного блуждания.

Баланс между двумя способами оценки качества

Вместо того чтобы полагаться на одно правило определения хорошей сегментации, новый метод сочетает два дополняющих друг друга подхода. Одна целевая функция, связанная с методом Отсу, поощряет разбиения, которые чётко отделяют светлые и тёмные области. Другая, связанная с двумерной формой энтропии Капура, вознаграждает разбиения, максимально сохраняющие информацию как об исходной яркости, так и о её локальном окружении. IMMOAVOA ищет наборы порогов, которые удачно балансируют между этими двумя целями, выдавая коллекцию лучших решений вместо одного. Авторы затем применяют эти решения к рентгенам грудной клетки пациентов с COVID‑19 и оценивают полученные сегментации по нескольким распространённым метрикам качества, сравнивая результаты сегментации с исходным изображением.

Насколько хорошо работает новый подход

Перед применением к реальным рентген‑снимкам авторы тестируют IMMOAVOA на стандартном наборе математических эталонов, используемых для оценки алгоритмов поиска. По показателям, отражающим как точность, так и разнообразие решений, улучшенный метод стервятников превосходит не только базовую версию, но и несколько хорошо известных многоцелевых алгоритмов. На реальных рентген‑снимках IMMOAVOA последовательно даёт более чёткие сегментации по трем широко используемым индикаторам качества изображения, оставаясь конкурентоспособным по четвёртой метрике, которая подчёркивает перекрытие областей. На практике это означает, что метод может разделять рентгены грудной клетки на несколько чистых слоёв, сохраняющих детали и структуру — что ценно для задач, таких как обводка поражённых участков лёгких или подготовка данных для дальнейшего анализа ИИ.

Что это значит для медицинской визуализации

Для неспециалиста вывод таков: авторы разработали более умный и гибкий способ, позволяющий компьютерам «видеть» внутри рентгеновских снимков грудной клетки. Координируя цифровой рой поисковых агентов и оценивая каждый кандидат с двух разных точек зрения, их метод способен давать более чёткие, информативные «слои» изображения без взрывного роста вычислений. Хотя работа продемонстрирована на относительно небольшом наборе рентгенов и требует дополнительной настройки перед регулярным клиническим применением, она указывает путь к более надёжным автоматизированным инструментам, которые могли бы помочь рентгенологам точнее обнаруживать и отслеживать заболевания лёгких.

Цитирование: Fu, Z., Liu, D., Gao, S. et al. An improved African vultures algorithm for multi-threshold optimization in chest X-ray image segmentation. Sci Rep 16, 10191 (2026). https://doi.org/10.1038/s41598-026-40174-6

Ключевые слова: сегментация рентгенограмм грудной клетки, анализ медицинских изображений, метаэвристическая оптимизация, многопороговая обработка, стайный интеллект