Эффективная мультииструктурная сегментация МРТ сердца для оценки сердечно-сосудистой системы при ограниченной аннотации путем интеграции согласованности на уровне данных и сети

Почему это исследование важно для здоровья сердца

МРТ‑сканы сердца могут выявлять жизненно важные детали о том, насколько эффективно сердце перекачивает кровь, но превращение этих подробных изображений в числа, полезные врачам, обычно требует трудоемкой ручной обводки экспертами. В этой работе предложен метод искусственного интеллекта (ИИ), который умеет точно выделять ключевые структуры сердца, даже если лишь небольшая часть сканов имеет точные пометки специалистов. Эффективно используя многочисленные неаннотированные сканы, хранящиеся в больницах, подход может сделать продвинутый анализ сердца быстрее, дешевле и доступнее.

Преобразование сырых сканов сердца в полезные измерения

Чтобы понять работу сердца, кардиологи изучают несколько структур на МРТ‑изображениях, включая основные камеры‑насосы и мышечную стенку. На их основе рассчитывают объемы, массу миокарда и силу сокращения сердца — показатели, которые направляют диагностику, выбор лечения и долгосрочный мониторинг таких состояний, как сердечная недостаточность и кардиомиопатия. Сегодня эти структуры часто обводят вручную или с помощью ПО, требующего пристального контроля. Новый метод призван во многом автоматизировать этот шаг, чтобы контуры левого желудочка, правого желудочка и окружающего мышечного слоя генерировались быстро и последовательно для каждого пациента.

Обучение компьютеров на небольшом числе примеров

Ключевая проблема при создании надежных медицинских ИИ — то, что обычно требуется тысячи экспертно размеченных примеров, а разметка каждого скана может занимать часы. Однако в больницах уже хранятся большие репозитории неаннотированных изображений. Авторы решили эту проблему с помощью стратегии полу‑контролируемого обучения, где небольшой набор размеченных сканов комбинируется со множеством неаннотированных. ИИ сначала учится на размеченных изображениях привычным способом. Одновременно его мягко подталкивают к тому, чтобы предсказания на неаннотированных сканах были стабильными и самосогласованными, так что даже изображения без экспертных обводок помогают уточнять модель. Такой подход снижает зависимость от дорогой ручной работы, при этом направляя систему к анатомически осмысленным результатам.

Две разные «точки зрения» ИИ, работающие вместе

Рамочная система, названная SemiCoTr, сочетает два взаимодополняющих типа сетей для анализа изображений. Одна, основанная на классических сверточных нейронных сетях, хорошо улавливает тонкие локальные детали. Другая, построенная на более современной трансформерной технологии, превосходит в улавливании дальних взаимосвязей по всему изображению. В SemiCoTr обе сети рассматривают одни и те же изображения и обмениваются информацией. Каждая сеть поддерживает медленно обновляющуюся «учительскую» версию, чьи предсказания служат стабильной ссылкой для быстро меняющейся «ученической» версии, обеспечивая согласованность во времени. Кроме того, сети контролируют друг друга: когда одна уверена в структуре на неаннотированном скане, её предсказание помогает обучать другую. Такое взаимное руководство как на уровне данных, так и на уровне сетей приводит к более надежным и анатомически согласованным контурам сердца.

Насколько это действительно эффективно?

Авторы протестировали метод на общедоступном наборе МРТ‑сканов сердца, содержащем данные 100 пациентов и широко используемом в научном сообществе. Они смоделировали реалистичную ситуацию, в которой лишь 5–10% сканов размечены экспертами, а остальные рассматриваются как неаннотированные. С увеличением количества неаннотированных данных точность автоматической сегментации возрастала устойчиво, приближаясь к показателям моделей, обученных на полностью размеченных наборах. По сравнению с несколькими ведущими полу‑контролируемыми методами их подход последовательно давал более высокую точность и более чистые границы для всех трех ключевых структур сердца, оставаясь при этом вычислительно практичным для обучения. Тщательные эксперименты показали, что улучшения обусловлены как многокомпонентной конструкцией функции потерь, так и сочетанием двух разных типов сетей.

Что это значит для пациентов и клиник

Исследование демонстрирует, что качественные измерения сердца по МРТ можно получать при значительно меньшем объеме ручной разметки, чем считалось ранее. Благодаря более эффективному использованию неаннотированных сканов, которые больницы генерируют ежедневно, SemiCoTr указывает путь к масштабируемым инструментам ИИ, способным обеспечивать точные и воспроизводимые оценки сердца в условиях загруженных клиник. В перспективе такие системы могут помочь врачам обнаруживать тонкие проблемы с сердцем на ранних стадиях, точнее подбирать лечение и надежнее отслеживать прогресс заболевания — и всё это без увеличения нагрузки на и без того перегруженных специалистов по визуализации.

Цитирование: Guo, S., Zhao, X., Ren, J. et al. Efficient cardiac MRI multi-structure segmentation for cardiovascular assessment with limited annotation by integrating data-level and network-level consistency. npj Digit. Med. 9, 328 (2026). https://doi.org/10.1038/s41746-026-02475-y

Ключевые слова: МРТ сердца, сегментация медицинских изображений, полу‑контролируемое обучение, глубокое обучение, сердечно‑сосудистая визуализация