Технология сегментации изображений позвоночника с интеграцией U-ResNet и вниманием, чувствительным к форме

Почему сканам позвоночника нужны более умные инструменты

Боли в спине — одна из самых частых причин обращения к врачу, и современные томографы, такие как МРТ и КТ, способны показывать мелкие позвонки и диски позвоночника с поразительной детализацией. Однако перевод этих серых изображений в чёткие контура того, что является костью, что — диском и где скрывается патология, по-прежнему часто выполняется вручную, срез за срезом. В этой работе представлена новая система искусственного интеллекта, которая автоматически выделяет структуры позвоночника и типичные патологии с большей точностью и скоростью, помогая радиологам и хирургам принимать более взвешенные решения и снижая нагрузку.

Сложность чтения позвоночника

Позвоночник — сложный столб, состоящий из множества мелких элементов: уложенные друг на друга позвонки, мягкие межпозвонковые диски между ними и деликатные изгибы, которые меняются от шеи до поясницы. Заболевания, такие как грыжи, компрессионные переломы и сколиоз, могут существенно деформировать эту структуру. Традиционные компьютерные методы испытывают трудности с такими вариациями, и даже многие современные модели глубокого обучения ошибаются на границах между костью и диском или дают сбой при сильно аномальной анатомии. Ручное обведение экспертами медленно, непоследовательно и трудно масштабируется в загруженных больницах, особенно по мере роста числа молодых офисных работников и студентов с проблемами спины.

Адаптированная сеть для изображений позвоночника

Чтобы справиться с этими задачами, авторы разработали специфическую для позвоночника модель глубокого обучения, основанную на усовершенствованной версии популярной сетевой архитектуры для медицинских изображений под названием U-Net. Их кастомный «скелет», названный U-ResNet, имеет форму буквы U: одна сторона постепенно сжимает изображение, чтобы захватить общий контекст, а другая сторона снова расширяет его, создавая детализированную карту каждой структуры. Новая конструкция уравновешивает глубину и эффективность, что позволяет работать с высокоразрешающими сканами без необходимости суперкомпьютеров. Она также объединяет признаки на нескольких масштабах, позволяя модели обращать внимание как на крупные тела позвонков, так и на более тонкие диски, и нормализует информацию, чтобы одна и та же сеть могла обрабатывать как МРТ, так и КТ.

Обучение модели учитывать форму

Ключевое нововведение — модуль «внимания, чувствительного к форме», который явно учит сеть тому, как обычно выглядит здоровый позвоночник и как патология может изломать эти закономерности. До попадания в этот модуль выполняется предобработка, извлекающая контурную информацию — по сути, очертания костей и дисков из сканов. Внутри модуля сеть сравнивает эти подсказки о форме с тем, что она извлекла из самого изображения, усиливая сигналы там, где они совпадают, и адаптируясь в случае деформации из‑за болезни. Это позволяет системе фокусироваться на истинных структурах позвоночника, даже когда они сжаты, выпячены или изогнуты, одновременно подавляя отвлекающие фоновые ткани, такие как мышца и жир.

Баланс между целыми областями и резкими краями

Ещё одно важное достижение — стратегия обучения, которая балансирует две конкурирующие цели: захват полной протяжённости каждой структуры и её чёткое очерчивание. Авторы разработали комбинированную функцию потерь — по сути правило тренера — которое показывает модели, как улучшаться. Одна часть подчёркивает правильное выделение всей области позвонка или диска, что важно для измерения объёма и дегенеративных изменений. Другая часть фокусируется на точности границ, что имеет значение при планировании операций или отслеживании прогрессирования болезни. Модель автоматически регулирует, насколько сильно ей следует учитывать каждую часть в зависимости от размера и чёткости структуры, а также добавляет ограничение на объём, чтобы численные измерения соответствовали клиническим ожиданиям.

Испытание системы

Исследователи оценили предложенный подход на двух достаточно больших наборах данных: МРТ поясничного отдела с богатой информацией о мягких тканях и коллекции КТ всего позвоночника, охватывающей шею, грудной отдел и поясницу с разнообразными состояниями, включая сколиоз и компрессионные переломы. По сравнению с девятью современными методами их модель показала наивысшие показатели практически по всем метрикам: от общей качества сегментации и точности границ до оценки степени износа межпозвонкового диска. Она делает это, используя меньше вычислений и параметров, чем многие соперники, что делает её более пригодной для работы на стандартном больничном оборудовании или даже на устройствах с низким энергопотреблением.

Что это значит для пациентов и клиницистов

Простыми словами, работа показывает, что обучение ИИ учитывать как форму, так и границы структур позвоночника может сделать автоматические разборы сканов позвоночника более надёжными и клинически полезными. Модель не только точнее выделяет позвонки и диски, включая мелкие или сильно деформированные, но и работает достаточно быстро, чтобы вписаться в реальные рабочие процессы. Хотя ей всё ещё требуется проверка на более редких заболеваниях позвоночника и в других клиниках, это обещающий шаг в сторону рутинной, высокоточной компьютерной помощи при диагностике болей в спине, планировании операций и контроле восстановления.

Цитирование: Zhao, D., Qin, R., Chai, Z. et al. Spinal disease image segmentation technology integrating U-ResNet and shape-aware attention. Sci Rep 16, 12465 (2026). https://doi.org/10.1038/s41598-026-42870-9

Ключевые слова: визуализация позвоночника, сегментация медицинских изображений, глубокое обучение, MRI и CT позвоночника, диагностика болей в спине