ІІ-діагностика хвороб тварин за знімками

ІІ-діагностика хвороб тварин за медичними знімками

Клініка з трьома філіалами витрачає до двох годин на опис одного торакального знімка — радіолог перевантажений, черга на МРТ зростає. Ми впровадили AI-асистента для попереднього читання. Система навчена на тисячах розмічених ветеринарних знімків і здатна детектувати кардіомегалію, плевральний випіт, легеневі паттерни на торакальних рентгенограмах, а також артефакти на УЗІ черевної порожнини.

Ми використовуємо архітектури EfficientNet-B4, ResNet-50 та DenseNet-121 з fine-tuning на спеціалізованих датасетах. Результати порівнянні з експертною оцінкою ветеринарних радіологів. Наш досвід у комп'ютерному зорі — понад 15 проєктів у медичній та ветеринарній діагностиці. Впровадження такої системи окупається в середньому за 4–6 місяців за рахунок скорочення часу на прийом та зменшення кількості повторних візитів. Економія на оплаті роботи зовнішніх радіологів може бути значною.

Чому AI-діагностика захворювань тварин за знімками складна?

Відмінності від людської радіології: варіабельність анатомії між видами (кішка, собака, кролик, кінь, екзотика), розмірів (чіхуахуа vs німецький дог — маса тіла 1:60), проекцій (дорсовентральна замість антеропостеріорної). Навчена на людських знімках модель не переноситься напряму.

Основні види знімків:

• Рентгенограми (торакс, абдомен, скелет)
• УЗІ-знімки (абдомен, серце, щитоподібна залоза)
• МРТ/КТ (хребет, голова) — у великих клініках

Як AI-система діагностує захворювання тварин за знімками?

Найзатребуваніше завдання — оцінка тораксу собак і котів: кардіомегалія, плевральний випіт, пневмонія, пухлини.

Кардіомегалія — оцінюється через Vertebral Heart Score (VHS): сумарний розмір серця в хребцях. Регресійна модель передбачає VHS напряму. На датасеті 1 200 торакальних знімків (собаки): MAE = 0.31 хребця vs норма 9.7±0.5 для більшості порід. Порівнянно з міжекзаменаторською варіабельністю ветеринарів (0.4 хребця).

Плевральний випіт — візуально очевидна патологія (втрата чіткості діафрагмальних контурів), але в малих об'ємах пропускається. Бінарний класифікатор ResNet-50: AUC = 0.94 на тестовій вибірці.

Легеневі паттерни — бронхіальний, інтерстиціальний, альвеолярний паттерни вимагають multi-label класифікації (паттерни можуть поєднуватися). EfficientNet-B4 з multi-label head: micro F1 = 0.82 на 5 класах паттернів. EfficientNet-B4 кращий за ResNet-50 на цій задачі на 5% F1.

Чому дані для ветеринарної CV — головна проблема?

Головна проблема ветеринарної CV — відсутність публічних датасетів, порівнянних із медичним масштабом. Стратегія:

1. Партнерство з 2–5 клініками (500–2 000 розмічених випадків за 3–6 місяців)
2. Transfer learning від ImageNet або медичних датасетів (ChestX-ray14) + fine-tuning на ветеринарних даних
3. Синтетика: аугментація з реалістичними патологічними накладаннями на нормальні знімки

Transfer learning від людських торакальних знімків до собачих працює: попередньо навчений на ChestX-ray14 DenseNet-121 після fine-tuning на 800 собачих знімках дає AUC = 0.88 для кардіомегалії — краще, ніж навчання з нуля на тому ж об'ємі (AUC = 0.79).

Один із наших партнерів — мережа ветеринарних клінік — після впровадження системи скоротив середній час опису знімка з 40 до 12 хвилин. Це дозволило збільшити потік пацієнтів на 30% без найму додаткових радіологів.

Що входить у роботу

• Документація: опис архітектури, датасету, метрик та інструкція з розмітки
• Навчена модель з вагами та конфігурацією
• REST API для інтеграції в існуючу PACS або ВІС
• Скрипти для інференсу та приклади коду (Python, PyTorch)
• Гарантійна підтримка 3 місяці
• Навчання співробітників роботі з системою (2–4 години)

Терміни

Базова система для торакальних знімків (собаки/коти): 10–14 тижнів. Розширений модуль з УЗІ та кількома видами: 18–26 тижнів. Вартість розраховується індивідуально під обсяг даних та необхідний функціонал.

Зв'яжіться з нами для оцінки вашого проєкту. Ми гарантуємо прототип на ваших даних протягом 10 тижнів. Отримайте консультацію з адаптації моделі під ваші завдання.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.