Медицинские снимки, по сути, представляют собой карты плотности тканей: яркость каждого пикселя кодирует локальные свойства среды, подобно тому как фотометрия — раздел оптики, измеряющий интенсивность света — регистрирует силу излучения. Традиционные алгоритмы сегментации обрабатывают пиксели независимо, что приводит к изломанным, неестественным границам органов — артефактам, затрудняющим интерпретацию.

В новом методе в процесс обучения нейросети встроено геометрическое ограничение: контур должен быть не только топологически верным, но и плавным, минимизируя кривизну. Разработчики провели аналогию с поведением воды: капля жидкости всегда принимает форму с минимальной площадью поверхности, стремясь к состоянию с наименьшей потенциальной энергией. Это напоминает фундаментальный принцип снижения энтропии — меры неупорядоченности системы в физических процессах, где система самопроизвольно движется к равновесию. Конечно, аналогия упрощает: в термодинамике энтропия обычно растёт, но здесь подчёркивается идея минимизации некоторой «энергии формы».

Экспериментальная проверка на снимках печени и селезёнки показала рост точности сегментации. Чёткие, анатомически правдоподобные границы упрощают диагностику, предоперационное планирование и тренировку медицинских роботов. Примечательно, что простое геометрическое ограничение повысило качество распознавания сильнее, чем увеличение обучающей выборки на тысячи изображений — факт, подчёркивающий мощь априорных знаний о структуре объектов.