Автоматизация анализа 3D КТ-снимков
Сократили время разбора КТ-снимков за счет разработки инструмента автоматической сегментации поджелудочной железы.
Клиент
Частная диагностическая клиника с большим объемом КТ-исследований. Работает с разными анатомическими зонами, но исследования брюшной полости входят в число самых загруженных направлений.
Клиент пришел к нам в 2021 году с вполне практичным запросом – сократить время разбора КТ и разгрузить врачей там, где ручная работа отнимает больше всего ресурсов. Перестраивать процесс диагностики клиент не планировал, поэтому важно было встроить автоматизацию в уже существующую практику.
В ходе первых обсуждений с клиентом стало понятно, что самая рутинная и трудоемкая часть анализа – поджелудочная железа. При таком большом потоке исследований, который есть у клиники, даже несколько дополнительных минут на одно КТ превращаются в часы ручной работы в течение недели. Совместно пришли к выводу, что именно этот этап – сегментацию поджелудочной железы на 3D-КТ – имеет смысл автоматизировать в первую очередь.
Вызовы
Для решения выбрали разработку модели машинного обучения, способную работать с объемными КТ-исследованиями. На старте задача выглядела понятной: автоматически выделять поджелудочную железу на 3D-КТ. На практике быстро выяснилось, что основная сложность кроется в деталях.
Работа с клиническими данными оказалась отдельной задачей внутри всего проекта.
Чистота данных
КТ-исследования отличаются по качеству и степени детализации – многое зависит от настроек оборудования, на котором проводится томография. Нужно добиться устойчивого результата при работе с разнородными данными.
Разметка
Поджелудочная занимает сравнительно небольшой объем в пределах всего исследования. Модель должна уметь работать с полными 3D-сканами, где орган составляет лишь часть изображения, и при этом уверенно находить его среди остальных участков снимка.
Для обучения потребуются точные контуры органа по всем срезам – нужно проработать и согласовать единые правила разметки с последующим строгим соблюдением. Даже крошечные ошибки в разметке повлияют на качество итоговой модели.
Реализация и внедрение
Подготовка данных
Когда мы получили 3D-КТ поджелудочной железы с ручной разметкой, то увидели, что контуры отличаются по степени детализации. КТ выполнены разными специалистами: на пограничных срезах одни врачи включали орган полностью, другие обрывали его раньше, если граница была неочевидной.
Мы согласовали единые правила разметки: зафиксировали, где заканчивается орган на крайних срезах, и исключали захват прилегающих тканей. Так мы снизили шум в обучении, чтобы модель не начала воспроизводить разночтения в исходной разметке. Часть исследований была повторно проверена и скорректирована по этим правилам.
Обработка 3D-исследований
КТ-исследования отличались по толщине срезов и разрешению. Из-за этого один и тот же орган мог выглядеть по-разному в разных исследованиях. Мы привели данные к единому масштабу и настроили обработку так, чтобы система анализировала весь объем целиком, а не каждый срез отдельно. Это помогло сохранить форму органа в пространстве и уменьшить ошибки на его границах.
Обучение сегментации
Для сегментации мы использовали 3D-архитектуру на базе U-Net, рассчитанную на работу с объемными медицинскими данными. Это позволило анализировать весь 3D-объем исследования целиком, а не обрабатывать каждый срез отдельно.
В ходе обучения отслеживали, где модель захватывает лишние участки или теряет часть органа, и дорабатывали параметры обучения на этих примерах.
Оптимизация скорости
Полный 3D-КТ – это сотни срезов. Обработка такого объема требует от модели серьезных вычислений, это замедляет работу врача. Мы ограничили анализ областью, где потенциально расположен орган – данные обрабатываются по частям, а не загружают весь объем в память одновременно. Результат сегментации появляется параллельно с анализом исследования, не снижая рабочий темп клиники.
Как врач работает с результатом
После загрузки исследования система автоматически формирует маску поджелудочной железы – выделяет ее границы на каждом срезе. Результат отображается поверх изображения и используется как ориентир при анализе. Финальное решение остается за врачом – при необходимости он может скорректировать контур вручную.
Технологии
Бэкенд
Python
Интеграции
REST API
Machine Learning
PyTorch
Инфраструктура
Docker
Результат
Клиника получила инструмент автоматической сегментации, разработанный с учетом реальных условий работы диагностического центра: объемных данных при ограниченном времени анализа. Решение интегрировано в существующий процесс анализа КТ и развернуто внутри инфраструктуры клиники как API-сервис: исследование передается в систему, на выходе возвращается маска органа. Дополнительного оборудования или расширения штата не потребовалось.
Архитектура решения изначально спроектирована для работы внутри инфраструктуры клиники: данные не передаются во внешние сервисы и обрабатываются локально.
После внедрения время разбора КТ брюшной полости сократилось в среднем на 25%. Это позволило сократить суммарную нагрузку на врачей и перераспределить время на более сложные диагностические задачи. Полная обработка одного 3D-КТ занимает менее двух минут. Примерно в 75% случаев врачу не нужно корректировать границы органа вручную, но финальная интерпретация и клиническое заключение остаются за врачом.
Архитектура решения позволяет обучать модель для сегментации других органов и анатомических зон при наличии размеченных данных.
снижение времени анализа поджелудочной железы.
занимает полная обработка одного 3D-КТ.
Что происходит дальше:
Мы получаем запрос, обрабатываем его в течение 24 часов и связываемся по указанным вами e‑mail или телефону для уточнения деталей.
Подключаем аналитиков и разработчиков. Совместно они составляют проектное предложение с указанием объемов работ, сроков, стоимости и размера команды.
Договариваемся с вами о следующей встрече, чтобы согласовать предложение.
Когда все детали улажены, мы подписываем договор и сразу же приступаем к работе.