Двухконтурная валидация нейросетевой сегментации пневмоторакса в условиях дисбаланса классов

Целью исследования является разработка методики клинически ориентированного обучения, валидации и выбора нейросетевой модели сегментации пневмоторакса на рентгенограммах органов грудной клетки при выраженном дисбалансе классов и необходимости контролируемого ограничения ложных срабатываний в составе систем поддержки принятия решений.

Методы. В работе предложена двухконтурная схема оценивания качества сегментации, включающая технический контур, служащий для контроля сходимости обучения по значениям функции потерь и сырым показателям, а также клинический контур для оценки бинаризованных масок после фиксированной постобработки результатов. Для каждой эпохи обучения выполняется перебор порога бинаризации; рабочая точка считается допустимой при выполнении клинических ограничений, после чего итоговая эпоха выбирается как максимизирующая индекс Дайса на положительных случаях среди допустимых решений. Сегментатор реализован на основе архитектуры U-Net++ и обучается по двухэтапной схеме с повышением пространственного разрешения с использованием гибридной функции потерь.

Результаты. На клинически репрезентативном материале — наборе разработки SIIM-ACR — финальная конфигурация, выбранная по протоколу на 15-й эпохе, обеспечила индекс Дайса на положительных случаях = 0,753 (95% ДИ 0,734-0,771) при частоте ложноположительных срабатываний = 0,177 (95% AN 0,158-0,197) и чувствительности на уровне изображения = 0,948 и ощутимо превзошла базовую конфигурацию.

Заключение. Предложенная методика двухконтурной валидации и критериального выбора эпохи в допустимой области обеспечивает воспроизводимый контроль компромисса между качеством сеементации на патологических снимках и частотой ложных тревог на снимках без патологии, снижая риск выбора субоптимальной модели при ориентировании только на минимум функции потерь. Полученные результаты подтверждают целесообразность использования разработанного протокола при проектировании сегментационных модулей для систем поддержки принятия решений в задачах лучевой диагностики.

1. Lung imaging methods: indications, strengths and limitations / D. L. Tárnoki, K. Karlinger, C. A. Ridge, F. J. Kiss, T. Györke, E. M. Grabczak, Á. D. Tárnoki // Breathe (Sheff). 2024. Vol. 20, N 3. P. 230127. https://doi.org/10.1183/20734735.0127-2023.

2. Multidisciplinary Evaluation of an AI-Based Pneumothorax Detection Model: Clinical Comparison with Physicians in Edge and Cloud Environments / I. Dal, H. B. Kaya // J. Multidiscip. Healthc. 2025. Vol. 18. P. 4099–4111. https://doi.org/10.2147/JMDH.S535405.

3. Clinical adoption of deep learning target auto-segmentation for radiation therapy: challenges, clinical risks, and mitigation strategies / A. De Biase, N. M. Sijtsema, T. Janssen, C. Hurkmans, C. Brouwer, P. van Ooijen // BJR Artificial Intelligence. 2024. Vol. 1, N 1. P. ubae015. https://doi.org/10.1093/bjrai/ubae015.

4. Metrics reloaded: recommendations for image analysis validation / L. Maier-Hein, A. Reinke, P. Godau [et al.] // Nat. Methods. 2024. Vol. 21, N 2. P. 195–212. https://doi.org/10.1038/s41592-023-02151-z.

5. Understanding metric-related pitfalls in image analysis validation / A. Reinke, M. D. Tizabi, M. Baumgartner [et al.] // Nat. Methods. 2024. Vol. 21, N 2. P. 182–194. https://doi.org/10.1038/s41592-023-02150-0.

6. Mohammadi M., Mollazade K., Behroozi-Khazaei N. Under- and over-segmentation: new metrics for image segmentation accuracy measurement // Array. 2025. Vol. 28. P. 100624. https://doi.org/10.1016/j.array.2025.100624.

7. Association Between False-Positive Results and Return to Screening Mammography in the Breast Cancer Surveillance Consortium Cohort / D. L. Miglioretti, L. Abraham, B. L. Sprague [et al.] // Ann. Intern. Med. 2024. Vol. 177, N 10. P. 1297–1307. https://doi.org/10.7326/M24-0123.

8. Conquering class imbalances in deep learning-based segmentation of dental radiographs with different loss functions / M. Büttner, L. Schneider, A. Krasowski [et al.] // J. Dent. 2024. Vol. 148. P. 105063. https://doi.org/10.1016/j.jdent.2024.105063.

9. Cabezas M., Diez Y. An Analysis of Loss Functions for Heavily Imbalanced Lesion Segmentation // Sensors. 2024. Vol. 24, N 6. P. 1981. https://doi.org/10.3390/s24061981.

10. Reinke A., Tizabi M. D., Maier-Hein L. Advancing standards in biomedical image analysis validation: A perspective on Metrics Reloaded // Clin. Transl. Med. 2025. Vol. 15, N 9. P. e70237. https://doi.org/10.1002/ctm2.70237.

11. Малютина И. А., Кузьмин А. А., Шаталова О. В. Методы и алгоритмы анализа рентгенограмм грудной клетки, использующие локальные окна в задачах обнаружения патологий // Прикаспийский журнал: управление и высокие технологии. 2017. № 3 (39). С. 131-138.

12. Моделирование морфологических образований на рентгенограммах грудной клетки в интеллектуальных диагностических системах медицинского назначения / П. С. Кудрявцев, А. А. Кузьмин, Д. Ю. Савинов, С. А. Филист, О. В. Шаталова // Прикаспийский журнал: управление и высокие технологии. 2017. № 3 (39). С. 109-120.

13. Математические модели для интеллектуальных систем классификации рентгенограмм грудной клетки / М. В. Дюдин, П. С. Кудрявцев, K. В. Подмастерьев, С. А. Филист, О. В. Шаталова // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016. № 2 (19). С. 94-107.

14. Анализ биомедицинских изображений различными методами сегментации, основанными на операторах вычисления градиента / С. А. Филист, Е. А. Шашкова, О. В. Шаталова, Р. А. Томакова // Перспективы развития информационных технологий. 2011. № 3-1. С. 146-150.

15. An Automated System for Classification of Radiographs of the Breast / A. R. Dabagov, V. A. Gorbunov, S. A. Filist [et al.] // Biomedical Engineering. 2020. Vol. 53, N 6. P. 425–428. https://doi.org/10.1007/s10527-020-09957-7.

16. Hybrid neural networks with virtual flows in medical risk classifiers / K. Khatatneh, S. Filist, O. Shatalova [et al.] // Journal of Intelligent and Fuzzy Systems. 2022. Vol. 43, N 1. P. 1621–1632. https://doi.org/10.3233/JIFS-212617.

17. Коровин Е. H., Шаталова О. B., Жилин В. В. Применение гибридной нейронной сети с макрослоями для классификации сердечно-сосудистых заболеваний // Биомедицинская радиоэлектроника. 2014. № 9. С. 32-37.

18. Biotechnical neural network system for predicting cardiovascular health state using processing оf bio-signals / S. Filist, В. Т. Al-Kasasbeh, О. V. Shatalova [et al.] // International Journal оf Medical Engineering and Informatics. 2024. Vol. 16, N 4. P. 324-349. https://doi.org/10.1504/ITME1.2024.139884.

19. Сверточная нейронная сеть для моделей классификаторов медицинского риска с синергетическими каналами / Р. А. Крупчатников, Д. А. Медников, 3. У. Протасова [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, Ne 2. С. 25—50.

20. Multimodal neural network classifier оf the functional state of the respiratory system / S. А. Filist, М. В. Myasnyankin, R. 1. Safronov, А. A Kuzmin // Journal оf Physics: Conference Series. 2021. Vol. 2094. P. 032064. https://doi.org/10.1088/1742-6596/2094/3/032064.

21. A multitask approach for automated detection and segmentation of thyroid nodules in ultrasound images / А. Radhachandran, А. Kinzel, J. Chen, V. Sant, M. Patel, R. Masamed, C. W. Amold, W. Speier / Comput. Biol. Med. 2024. Vol. 170. P. 107974. https://doi.org/10.1016/j.compbiomed.2024.107974.

22. UNet++: A Nested U-Net Architecture for Medical Image Segmentation / Z. Zhou, M. M. R. Siddiquee, М. Tajbakhsh, J. Liang // Deep Learn Med Image Anal Multimodal Learn Clin Decis Support. 2018. Vol. 11045. P. 3-11. https://doi.org/10.1007/978-3-030- 00889-5_1.

23. Deeply-Supervised Nets / C. Y. Lee, S. Xie, P. Gallagher, Z. Zhang, Z. Tu // arXiv. URL: https://arxiv.org/abs/1409.5185 (дата обращения: 16.03.2026).

24. Effect of image resolution on automated classification of chest X-rays / M. I. U. Haque, A. K. Dubey, I. Danciu, A. C. Justice, O. S. Ovchinnikova, J. D. Hinkle // J. Med. Imaging (Bellingham). 2023. Vol. 10, N 4. $. 044503. https://doi.org/10.1117/1.JMI.10.4.044503.

25. CACSNet for automatic robust classification and segmentation of carotid artery calcification on panoramic radiographs using a cascaded deep learning network / S. W. Yoo, S. Yang, J. E. Kim [et al.] // Sci. Rep. 2024. Vol. 14. P. 13894. https://doi.org/10.1038/s41598- 024-64265-4.

26. How threshold customisation affects the performance of a multiclass X-ray AI model for primary care triage: a retrospective study / J. Z. T. Sim, J. Lin, Q. W. Fong, A. Y. Q. Soon, L. W. Khin, S. Balakrishnan, T. Lin, S. Wong, C. H. Tan // BMJ Open. 2026. Vol. 16, N 2. P. e111127. https://doi.org/10.1136/bmjopen-2025-111127.

27. Tabassum M., Di Ieva A., Liu S. Meta transfer learning for brain tumor segmentation using nnUNet in meningioma and metastasis cases // Sci. Rep. 2025. Vol. 15. P. 37599. https://doi.org/10.1038/s41598-025-20957-z.