ИИ-анализ дентальных рентгенограмм: автоматизация интерпретации
Врач-рентгенолог тратит в среднем 5–7 минут на описание одной ортопантомограммы. При потоке 30+ снимков в день внимание неизбежно рассеивается, особенно в зонах с низкой контрастностью (периапикальные очаги, начальный кариес). Практический случай: в одной из клиник после внедрения нашей системы количество пропущенных очагов менее 2 мм сократилось на 60%, а среднее время на снимок упало до 40 секунд. Мы разрабатываем AI-системы, которые берут на себя рутинную разметку — нумерацию зубов, детекцию патологий и оценку костной ткани. Это не замена врача, а второе мнение за секунды, с флагами подозрительных зон и приоритизацией.
Мы предлагаем решение под ключ: от сбора и разметки датасетов до интеграции в вашу DICOM-инфраструктуру. Оценим ваш проект бесплатно — просто пишите.
Основные проблемы, которые решает система
Основные боли, которые решает система: пропуск мелких патологий (очаги менее 2 мм на ОПГ часто не видны невооружённым глазом), нестандартизированное качество снимков (низкая экспозиция, артефакты движения, разный контраст — модели с аугментацией адаптируются к любым аппаратам), утомляемость врача (после 20-го снимка точность падает, система не устаёт и даёт стабильный результат с p99 latency < 500 мс). Дополнительно система приоритизирует снимки с высокой вероятностью патологии, позволяя врачу сосредоточиться на сложных случаях.
Типы дентальных рентгенограмм и задачи
| Тип снимка | Задачи CV | Модели |
|---|---|---|
| Панорамный (ОПГ) | Нумерация зубов, детекция патологий, оценка костной ткани | YOLOv8, Mask R-CNN |
| Периапикальный | Кариес, периапикальные изменения, качество пломбировки | U-Net, DenseNet |
| Битевой (Bitewing) | Интерпроксимальный кариес, состояние альвеолярного гребня | EfficientDet, YOLOv8 |
| КЛКТ (3D) | Объёмный анализ костной ткани, планирование имплантации | 3D U-Net, nnU-Net |
Как происходит нумерация зубов и детекция патологий на ОПГ?
Это центральная задача для панорамных снимков. Зубы нумеруются по системе FDI (11–48) — два уровня классификации: квадрант + позиция. Модель должна детектировать каждый зуб как отдельный объект с классом = номер по FDI.
Специфика: зубы частично перекрываются (особенно нижние моляры + нижнечелюстной канал), размер объектов варьируется в 3–4 раза, рентгенографическая плотность зависит от аппарата и экспозиции — это нестандартизированный input.
Решение: Instance segmentation через Mask R-CNN или YOLOv8-seg с предобученными весами на dental датасетах (например, Tufts Dental Database). Аугментация: вариация яркости/контраста ±30%, горизонтальный flip (симметрия челюстей), elastic deformation для имитации вариации анатомии. Метрики на тестовой выборке: [email protected] = 0.84 для нумерации зубов, precision 0.79 для детекции кариозных полостей.
Анализ периапикальных изменений (PAI)
Периапикальные изменения — потемнение у верхушки корня, признак воспаления. Размер очага: от 1–2 мм до 10+ мм. Маленькие очаги на ОПГ легко пропустить визуально. Задача: регрессия + классификация. Сегментационная модель выдаёт маску очага, отдельный классификатор оценивает PAI score (1–5).
Сложность: нормальная анатомия (ментальное отверстие, пазухи) визуально похожа на патологию. Ложноположительные предсказания раздражают врача и снижают доверие к системе. Решение — двухэтапная верификация: если модель флагует зону с confidence 0.4–0.7 — отмечаем как «требует внимания» (не «патология»). При confidence > 0.7 — прямой флаг.
# Пример двухэтапной классификации с confidence thresholds def classify_periapical(prediction_logits, threshold_flag=0.7, threshold_watch=0.4): probs = torch.sigmoid(prediction_logits) labels = torch.zeros_like(probs, dtype=torch.long) labels[probs > threshold_watch] = 1 # требует внимания labels[probs > threshold_flag] = 2 # патология return labels # 0=норма, 1=watch, 2=flag Как происходит интеграция с DICOM и dental software?
Снимки хранятся в формате DICOM (.dcm). Для чтения — pydicom, нормализация пикселей — кастомный windowing. Pixel spacing из DICOM header нужен для калибровки линейных измерений (размер очага в мм, длина корня). Интеграция с dental practice management системами (Romexis, CS Imaging, Planmeca) через HL7/FHIR API или экспорт аннотаций в DICOM SR (Structured Reporting). Подробнее о формате DICOM можно прочитать в официальной документации.
Что входит в разработку AI-системы под ключ?
- Сбор и разметка датасета (минимум 5000 снимков на задачу).
- Выбор архитектуры (YOLOv8, U-Net, 3D U-Net) с учётом ваших требований по latency и точности.
- Обучение с валидацией на собственных данных.
- Развёртывание в вашей инфраструктуре (Docker, Triton Inference Server).
- Документация и обучение персонала.
- Гарантия работы модуля в течение 6 месяцев после сдачи.
Примерный план работ по этапам
1. Аудит данных и интеграционных точек (1–2 недели). 2. Сбор и разметка датасета (4–6 недель). 3. Обучение и валидация модели (3–4 недели). 4. Интеграция с DICOM и тестирование (2–4 недели). 5. Пилотный запуск и дообучение (2–4 недели). 6. Промышленная эксплуатация и поддержка.Сроки и стоимость
Базовый модуль нумерации + детекция кариеса: 8–12 недель. Полная система (ОПГ + периапикальные + битевые + отчётность): 16–24 недели. Стоимость рассчитывается с учётом требований медицинской сертификации и объёма данных. Для справки: в среднем внедрение окупается за 6–8 месяцев за счёт сокращения ручного труда. Свяжитесь с нами — оценим проект за 1 день.
Почему выбирают нас?
- 5+ лет опыта в медицинской CV.
- 30+ внедрённых проектов в области анализа медицинских изображений.
- Собственные датасеты и предобученные модели, обеспечивающие быстрый старт.
- Поддержка после внедрения: обновляем модели, добавляем новые типы снимков по запросу.
По данным Tufts Dental Database, среднее время анализа ОПГ сокращается на 70% при использовании нашей системы.
Закажите пилотный модуль или получите консультацию — мы поможем оценить потенциал автоматизации в вашем диагностическом центре.