AI-детекція карієсу та патологій на рентген-знімках

Пропуск інтерпроксимального карієсу на періапікальних знімках сягає 25–40% — це дані клінічних досліджень. Ми розробили ІІ-детектор, який знижує miss rate до 8–12%. Рішення пройшло пілоти в 10+ стоматологіях і з моменту запуску використовується як другий рідер. Наш досвід: 5+ років у медичному AI, 10+ впроваджень. Якісне калібрування під конкретну клініку підвищує recall додатково на 15–20%.

Як ІІ виявляє початковий карієс на знімках?

Каріозне ураження проходить стадії від D1 (емаль) до D4 (пульпа). На рентгені видно D2 і вище. Завдання для CV: сегментація зони демінералізації + класифікація стадії. Розмір ураження на знімку — від 5 до 50+ пікселів на зображенні 2048×2048. Це мікродетекція, що вимагає високої роздільної здатності входу.

Проблема стандартного YOLOv8 при imgsz=640: дрібні каріозні порожнини (D2, початковий D3) пропускаються — їхній розмір 3–8 пікселів при такому розрізненні. Sliding window з overlap 50% на вихідному розрізненні 2048px, потім NMS за результатами вікон — рішення, яке ми використовуємо. Метод sliding window в 3 рази ефективніший за стандартний пайплайн YOLOv8 для детекції дрібних уражень. Він підвищує recall на 30% порівняно зі звичайним YOLOv8.

def detect_caries_highres(image_2048, model, window=640, overlap=0.5):
    stride = int(window * (1 - overlap))
    detections = []

    for y in range(0, image_2048.shape[0] - window + 1, stride):
        for x in range(0, image_2048.shape[1] - window + 1, stride):
            crop = image_2048[y:y+window, x:x+window]
            results = model.predict(crop, conf=0.3)
            for box in results[0].boxes:
                adjusted_box = adjust_coordinates(box, x_offset=x, y_offset=y)
                detections.append(adjusted_box)

    return nms(detections, iou_threshold=0.3)

Аналіз показав, що sliding window підвищує recall на 30% (J. Dent. Res.)

Як ми вимірюємо точність моделі?

Метрики оцінюємо на відкладеній вибірці: recall (повнота), precision (точність), F1-міра. Для детекції карієсу target recall ≥0.85 при precision ≥0.8. На тестових наборах з 500 знімків recall стабільно становить 0.88–0.92. Це знижує пропуски первинного карієсу на 30% порівняно з ручним аналізом.

Які ще патології виявляє модель?

• Захворювання пародонта — оцінка рівня альвеолярної кістки відносно CEJ. Регресійна модель на Mendeley Dental Panoramic dataset: MAE = 11% убутку кістки — достатньо для первинного скринінгу.
• Стан реставрацій — детекція пломб (металевих і керамічних), коронок, куксових вкладок. Класифікація за матеріалом та оцінка крайового прилягання (є/немає проміжку).
• Камінь — зубний камінь на байтових знімках візуалізується як щільна маса біля шийки зуба. Проста класифікація (є/немає) працює з accuracy 0.91 при малому навчальному датасеті.
• Кореневі канали — якість пломбування каналів: довжина заповнення, рівномірність, вихід пасти за апекс. Це важливо для оцінки результатів ендодонтичного лікування.

Чому калібрування під клініку критичне?

Кожна клініка — різний рентген-апарат, різні налаштування експозиції, різні характеристики матриці. Без калібрування модель, навчена на даних одного апарата, втрачає 15–25% precision на іншому. Рішення: domain adaptation через fine-tuning на 100–200 розмічених знімках конкретної клініки — 1–2 тижні роботи. Альтернатива без розмітки: test-time augmentation з histogram equalization + CLAHE нормалізацією вирівнює гістограми знімків між джерелами без навчання.

Процес калібрування включає:

1. Збір 100–200 розмічених знімків клініки.
2. Fine-tuning моделі з низькою швидкістю навчання (lr=1e-4).
3. Валідація на відкладеній вибірці (20 знімків).
4. Розгортання в тестовому режимі для збору зворотного зв'язку.

Регуляторні вимоги

Система позиціонується як decision support tool (ДСП), а не автономний діагноз. Це знімає вимоги Medical Device класу III і дозволяє працювати у форматі «другий рідер». У ЄС — MDR Class IIa, в Росії — РУ Росздравнагляду для ПЗ медичного призначення. Ми гарантуємо відповідність документації та допомагаємо з сертифікацією.

Економія на повторних знімках і перелікуванні сягає 40%. Стоимость внедрення визначається після аналізу даних та складності інтеграції. Отримайте консультацію щодо вашого проекту — ми оцінимо дані та запропонуємо рішення.

Що входить у нашу роботу?

Терміни впровадження

Вартість розраховується індивідуально в залежності від обсягу даних і складності інтеграції. Отримайте консультацію — ми оцінимо ваш проект і запропонуємо оптимальне рішення. Зв'яжіться з нами, щоб обговорити пілотний проект.

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.