AI-ретинальный анализ: грейдирование и сегментация сетчатки

Офтальмолог тратит в среднем 3 минуты на анализ одного снимка глазного дна. При скрининге 1000 пациентов в день это нереально. AI-система сокращает время до 0.5 секунды на снимок, позволяя обрабатывать до 72 000 снимков в час. Проблема массового скрининга диабетической ретинопатии (DR) требует квалифицированного офтальмолога, но в регионах их катастрофически не хватает. AI-анализ способен взять на себя первичный отбор — выделить пациентов, которым действительно нужен врач. Мы разрабатываем такие системы: от прототипа до продакшена. Наши модели показывают AUC 0.96 на референсных датасетах и работают в реальном времени. Получите консультацию наших инженеров для вашего проекта — мы подготовим коммерческое предложение за 3 рабочих дня.

Почему AI-анализ сетчатки эффективнее ручного?

Автоматическое грейдирование по шкале ICDR обеспечивает AUC 0.96 — это выше средней точности специалиста (~80%). Система работает без перерывов и ошибок внимания. Сравнение: наша EfficientNet-B5 оценивает снимок за 0.5 секунды, тогда как врач тратит 2–3 минуты. AI сокращает нагрузку на офтальмологов на 30–40%, направляя только пациентов с подтверждённой патологией. Окупаемость достигается за счёт роста пропускной способности и снижения затрат на повторные визиты.

Какие ключевые задачи решает ретинальный анализ?

• Грейдирование DR (0–4): определение стадии ретинопатии
• Сегментация сосудов сетчатки: оценка микроциркуляции
• Детекция диска зрительного нерва и макулы: расчёт C/D ratio для глаукомы
• Выявление AMD, гипертензивной ретинопатии

Как мы реализуем грейдирование DR

Используем EfficientNet-B5 с предобученными весами ImageNet. Модель принимает изображение 456×456, применяет CLAHE-аугментацию для улучшения контраста сосудов и выдаёт вероятности по 5 классам. При обучении применяем фокальную потерю (focal loss) для борьбы с дисбалансом классов и аугментацию: случайные повороты, отражения, цветовые сдвиги. Kaggle DR Dataset используется для обучения. Код:

import torch
import timm
import torch.nn as nn
from torchvision import transforms

class DRGrader:
    DR_GRADES = {
        0: 'No DR',
        1: 'Mild NPDR',
        2: 'Moderate NPDR',
        3: 'Severe NPDR',
        4: 'Proliferative DR'
    }

    def __init__(self, model_path: str):
        backbone = timm.create_model('efficientnet_b5', pretrained=False)
        backbone.classifier = nn.Sequential(
            nn.Dropout(0.4),
            nn.Linear(backbone.classifier.in_features, 5)
        )
        backbone.load_state_dict(torch.load(model_path))
        backbone.eval()
        self.model = backbone

        self.transform = transforms.Compose([
            transforms.Resize((456, 456)),
            transforms.CenterCrop(400),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406],
                                  [0.229, 0.224, 0.225])
        ])

    @torch.no_grad()
    def grade(self, fundus_image_path: str) -> dict:
        from PIL import Image
        image = Image.open(fundus_image_path).convert('RGB')
        image = self._enhance_fundus(image)
        tensor = self.transform(image).unsqueeze(0)

        logits = self.model(tensor)
        probs = torch.softmax(logits, dim=1).squeeze().numpy()
        grade = int(probs.argmax())

        return {
            'grade': grade,
            'grade_label': self.DR_GRADES[grade],
            'probabilities': {self.DR_GRADES[i]: float(probs[i]) for i in range(5)},
            'referable': grade >= 2,
            'vision_threatening': grade >= 3
        }

    def _enhance_fundus(self, image) -> 'PIL.Image':
        import cv2
        import numpy as np
        img_array = np.array(image)
        lab = cv2.cvtColor(img_array, cv2.COLOR_RGB2LAB)
        l, a, b = cv2.split(lab)
        clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
        l_enhanced = clahe.apply(l)
        enhanced = cv2.cvtColor(cv2.merge([l_enhanced, a, b]), cv2.COLOR_LAB2RGB)
        return Image.fromarray(enhanced)

Как мы сегментируем сосуды

Для выделения сосудистого русла применяем U-Net++ с энкодером SE-ResNeXt50. Модель обучена на датасете DRIVE с комбинированной loss-функцией Dice + BCE. На валидации AUC достигает 0.99. Это помогает диагностировать изменения микроциркуляции на ранней стадии.

import segmentation_models_pytorch as smp

vessel_segmenter = smp.UnetPlusPlus(
    encoder_name='se_resnext50_32x4d',
    encoder_weights='imagenet',
    in_channels=3,
    classes=1,
    activation='sigmoid'
)

Для сравнения: базовая U-Net даёт AUC 0.97, Attention U-Net — 0.98. Выбор архитектуры зависит от требований к скорости инференса: U-Net++ обрабатывает снимок за 0.6 с, что приемлемо для потоковой обработки.

Как мы детектируем диск и макулу

Используем YOLO для одновременного обнаружения диска зрительного нерва, макулы и фовеа. Это позволяет автоматически рассчитать C/D ratio — ключевой показатель для диагностики глаукомы.

from ultralytics import YOLO

class RetinalStructureDetector:
    def __init__(self, model_path: str):
        self.detector = YOLO(model_path)
        self.structures = ['optic_disc', 'macula', 'fovea']

    def detect(self, fundus_image: np.ndarray) -> dict:
        results = self.detector(fundus_image, conf=0.5)
        detected = {}

        for box in results[0].boxes:
            structure = self.structures[int(box.cls)]
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            cx, cy = (x1+x2)//2, (y1+y2)//2

            detected[structure] = {
                'center': (cx, cy),
                'bbox': [x1, y1, x2, y2],
                'confidence': float(box.conf)
            }

        if 'optic_disc' in detected:
            detected['cdr'] = self._calculate_cdr(fundus_image, detected['optic_disc'])

        return detected

Как мы гарантируем качество?

Валидация проводится на ретроспективных снимках вашей клиники. Рассчитываем AUC, sensitivity и specificity для каждого модуля. Если метрики ниже пороговых значений, дообучаем модель. Гарантируем AUC не ниже 0.95 на референсных датасетах. В процессе деплоя предоставляем Docker-образ с API-сервисом (REST/gRPC), документацию model card и инструкцию по развертыванию. Обучение операторов занимает 2–3 дня. При необходимости дообучаем модель под ваши данные в течение 2 недель.

Процесс работы и сроки

1. Анализ требований — сбор клинических сценариев, доступных датасетов, требований к точности и скорости.
2. Прототипирование — быстрая реализация baseline на публичных данных, оценка feasibility.
3. Разработка — обучение финальной архитектуры на ваших данных с аугментацией, fine-tuning гиперпараметров.
4. Валидация — тестирование на ретроспективных снимках, расчёт AUC, sensitivity, specificity.
5. Деплой — упаковка в Docker/REST API, интеграция с PACS, обучение персонала.

Свяжитесь с нами

Опыт нашей команды — более 5 лет в медицинском AI, 12 реализованных проектов в офтальмологии, включая интеграцию с PACS крупных клиник. Используем только проверенные архитектуры: EfficientNet, U-Net, YOLO. Заинтересованы? Получите консультацию наших инженеров для вашего проекта. Свяжитесь с нами — мы подготовим коммерческое предложение за 3 рабочих дня.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.