ROI-управляемый реляционный YOLO–SegNet-трансформер для облегчённой сегментации и классификации опухолей костей по рентгеновским снимкам

Более чёткие рентгенограммы — более ранние ответы

Опухоли костей встречаются редко, но представляют серьёзную угрозу, и во многих клиниках первым и иногда единственным исследованием остаётся простой рентген. К сожалению, опухоли могут выглядеть слабо, иметь неровные контуры и легко ускользать от внимания, особенно в загруженных или слабо обеспеченных больницах. В этой статье предлагается упрощённая система искусственного интеллекта (ИИ), которая устраняет шум на рентгенах, увеличивает подозрительные области и точно очерчивает возможные опухоли, с целью помогать рентгенологам, а не заменять их.

Почему опухоли костей трудно заметить

На рентгеновском снимке опухоль кости не всегда выглядит как аккуратное круглое пятно. Её края могут сливаться со здоровой костью, её яркость может напоминать соседние ткани, а другие структуры могут перекрываться и вводить в заблуждение. Эти препятствия особенно сильны на стандартных рентгенах, которые имеют меньший контраст по сравнению с КТ или МРТ. Многие существующие ИИ-инструменты либо ограничиваются решением «опухоль» против «без опухоли» для всего снимка, либо требуют больших вычислительных ресурсов, которых может не быть в небольших больницах. Точное очерчивание опухоли, важное для планирования операции и мониторинга заболевания во времени, по-прежнему трудно автоматизировать эффективно.

Трёхэтапный ИИ-помощник для рентгенов

Авторы разработали трёхступенчатый конвейер, ориентированный на эту задачу. Сначала интеллектуальный этап фильтрации очищает исходный рентген. Вместо фиксированного размытия, которое может сглаживать важные детали, используется адаптивный цифровой фильтр с настройками, автоматически выбираемыми оптимизационным алгоритмом. Это повышает отношение сигнал/шум примерно с 21 до почти 30 децибел, то есть изображение становится заметно менее зашумлённым при сохранении чётких краёв костей и опухолей. Во-вторых, компактная сеть обнаружения, производная от популярных моделей семейства YOLO, формирует грубую рамку вокруг любой области, вероятно содержащей опухоль. В-третьих, только эта суженная область передаётся в облегчённую сеть сегментации, которая на уровне пикселей обводит границы опухоли, а итоговое решение «норма» против «опухоль» принимается на основе информации из сегментированной области.

Фокусировка внимания ИИ на важном

Ключевая инновация — способ использования «реляционного» внимания. Многие современные визуальные модели опираются на блоки трансформера, которые пытаются сравнить каждую часть изображения с каждой другой. Хотя это мощно, на больших медицинских изображениях это становится дорого по вычислениям и замедляет работу в реальном времени. В данном подходе трансформер применяется только внутри рамки опухоли, найденной детектором, и в прилегающей кости. Внутри этой меньшей области модель учится, как разные участки соотносятся друг с другом, помогая отличать размытые опухолевые ткани от нормальной кости. Поскольку остальная часть изображения игнорируется, метод существенно сокращает нагрузку вычислений, при этом сохраняя дальнедействующий контекст внутри клинически важного региона.

Настройка параметров с помощью природыподобных поисков

Конвейер также использует два натуроподобных поисковых метода для автоматического выбора важных настроек. Один алгоритм регулирует силу сглаживания фильтра, балансируя удаление шума и сохранение чёткости краёв. Другой гибридный оптимизатор «fire hawk election» ищет хорошие параметры обучения, такие как скорость обучения, размер батча и dropout. Эти метаэвристики сокращают ручные попытки и ошибки и помогают модели быстро сходиться без переобучения на относительно небольшом наборе данных из 809 экспертно размеченных рентгенов, включающем как нормальные, так и опухолевые случаи.

Быстро, точно, но ещё не готово для клиник

Проверенная с помощью пятикратной кросс-валидации, система корректно различает «норма» и «с опухолью» примерно в 98,5% случаев и достигает показателя Dice около 97%, что указывает на близкое совпадение очертаний опухоли ИИ и экспертных разметок. Она использует примерно треть параметров по сравнению с распространёнными сетями сегментации, такими как UNet, и работает примерно за 48 миллисекунд на изображение на современной графической карте, поддерживая работу близкую к реальному времени. Однако авторы подчёркивают, что их результаты получены на одном публичном наборе данных и ещё не отражают полного разнообразия аппаратов, больниц и пациентов в реальной практике. Они позиционируют свою систему как многообещающий инструмент для исследований, который в будущем мог бы помочь рентгенологам более последовательно обнаруживать и измерять опухоли костей после валидации в нескольких центрах и клинических условиях.

Цитирование: Natarajan, C., Rajendran, S., Vinmathi, M.S. et al. ROI-guided relational YOLO–SegNet transformer for lightweight bone tumor segmentation and classification from X-ray images. Sci Rep 16, 14603 (2026). https://doi.org/10.1038/s41598-026-44297-8

Ключевые слова: опухоли костей, медицинские рентгеновские снимки, глубокое обучение, сегментация опухолей, компьютерная поддержка диагностики