Многомерная сегментация на основе глубинного обучения и оценка объёма жидкости в клиновидной пазухе на посмертной КТ в случаях утопления

Почему это важно не только в морге

Когда человека находят мёртвым в воде, даже опытным судебным врачам бывает трудно с уверенностью сказать, наступила ли смерть вследствие утопления или же человек умер по другой причине до контакта с водой. Один тонкий признак — это жидкость, скапливающаяся в маленькой воздушной полости глубоко за носом, называемой клиновидной пазухой. Измерение этой жидкости на посмертных КТ могло бы помочь, но делать это вручную медленно и сильно зависит от того, кто интерпретирует снимки. В этом исследовании изучают, могут ли современные методы компьютерного зрения автоматически находить и измерять эту жидкость, обеспечивая более быструю и согласованную поддержку при сложных расследованиях утопления.

Скрытая полость с важными подсказками

При утоплении жидкость часто просачивается в придаточные пазухи носа — крошечные камеры в костях лица. Клиновидная пазуха, расположенная глубоко в черепе, представляет особый интерес, поскольку собранную там жидкость можно тестировать на наличие микроскопических водорослей и на концентрацию солей, что даёт подсказки о том, происходило ли утопление в пресной или морской воде. Ранние работы показали, что КТ после смерти может примерно соответствовать объёмам жидкости, найденным позже при вскрытии. Но для получения таких чисел экспертам приходилось вручную обводить область жидкости посрезово на компьютере — утомительная задача, которую трудно стандартизировать и которая непрактична при большом количестве случаев.

Обучение компьютеров находить жидкость

Исследовательская группа обратилась к семейству систем анализа изображений, широко используемых в медицинской визуализации, известному как модели в стиле U-Net на основе глубинного обучения. Они собрали посмертные КТ 165 человек, чьи смерти вследствие утопления были подтверждены при вскрытии. Опытный наблюдатель вручную обвёл жидкость в клиновидной пазухе, создав эталонную маску, на которой компьютеры могли обучаться. Набор данных был разделён на обучающую, валидационную и тестовую группы, чтобы оценивать модели на ранее не видимых данных. Затем учёные построили три версии системы: одну, анализировавшую отдельные срезы КТ (2D), одну, учитывавшую срез вместе с двумя соседними срезами (2.5D), и одну, анализировавшую небольшие трёхмерные блоки головы целиком (3D).

Насколько хорошо работали модели

Все три модели смогли отметить жидкость в клиновидной пазухе на тестовых снимках так, что результаты близко соответствовали вручную выполненным отмечаниям эксперта. Подходы 2D и 2.5D оказались наиболее надёжными при восстановлении формы и границ жидкости, в то время как 3D-версия была несколько менее точной и более вариабельной от случая к случаю. При переводе этих контуров в фактические объёмы жидкости автоматические оценки отличались от эталонных значений на доли миллилитра, и различия не были статистически значимыми. Предсказанные и ручные объёмы изменялись синхронно, с очень сильной корреляцией для всех трёх моделей, что указывает на то, что автоматически получаемые измерения способны заменить трудоёмкие ручные измерения.

Почему победил подход «золотой середины»

Модель 2.5D, которая рассматривает срез вместе с его ближайшими соседями, обеспечила наилучший баланс между точностью и практичностью. Она получает некоторый трёхмерный контекст, что помогает отличать истинную жидкость от соседней кости и мягких тканей, но при этом избегает высокой вычислительной нагрузки и нестабильности, которые могут возникать у полноценных 3D-моделей — особенно когда объект интереса очень мал и виден лишь на нескольких срезах. Для загруженных судебных центров, которым нужно обрабатывать много случаев с ограниченными вычислительными ресурсами, эта стратегия «середины» может оказаться наиболее реалистичным выбором для повседневного использования.

Что это значит для будущих расследований смертей

Для неспециалистов ключевой вывод таков: теперь компьютеры способны надёжно обнаруживать и измерять маленькую полость жидкости глубоко в голове на посмертных КТ-снимках с производительностью, близкой к человеческому эксперту. Исследование демонстрирует, что такие автоматические измерения можно получать быстро и последовательно, что открывает возможность использования данных КТ для поддержки диагнозов утопления ещё до начала вскрытия. Хотя эта одноцентровая работа требует более широкого тестирования и расширения на другие пазухи и случаи смерти не вследствие утопления, она указывает на будущее, в котором продвинутый анализ изображений тихо укрепляет доказательную базу по одним из самых сложных вопросов судебной медицины.

Цитирование: Heo, JH., Kim, MJ., Jang, S.J. et al. Multi-dimensional deep learning–based segmentation and volumetric assessment of sphenoid sinus fluid on postmortem CT in drowning cases. Sci Rep 16, 13800 (2026). https://doi.org/10.1038/s41598-026-44094-3

Ключевые слова: диагностика утопления, посмертная КТ, судебная визуализация, глубинное обучение, жидкость в пазухах