AI-аналіз дентальних рентгенограм: автоматизація інтерпретації

AI-аналіз дентальних рентгенограм: автоматизація інтерпретації

Лікар-рентгенолог витрачає в середньому 5–7 хвилин на опис однієї ортопантомограми. При потоці 30+ знімків на день увага неминуче розсіюється, особливо в зонах з низькою контрастністю (періапікальні осередки, початковий карієс). Практичний випадок: в одній з клінік після впровадження нашої системи кількість пропущених осередків менше 2 мм скоротилася на 60%, а середній час на знімок впав до 40 секунд. Ми розробляємо AI-системи, які беруть на себе рутинну розмітку — нумерацію зубів, детекцію патологій та оцінку кісткової тканини. Це не заміна лікаря, а друга думка за секунди, з прапорцями підозрілих зон та пріоритизацією.

Ми пропонуємо рішення під ключ: від збору та розмітки датасетів до інтеграції у вашу DICOM-інфраструктуру. Оцінимо ваш проект безкоштовно — просто пишіть.

Основні проблеми, які вирішує система

Основні болі, які вирішує система: пропуск дрібних патологій (осередки менше 2 мм на ОПГ часто не видно неозброєним оком), нестандартизована якість знімків (низька експозиція, артефакти руху, різний контраст — моделі з аугментацією адаптуються до будь-яких апаратів), втомлюваність лікаря (після 20-го знімка точність падає, система не втомлюється і дає стабільний результат з p99 latency < 500 мс). Додатково система пріоритизує знімки з високою ймовірністю патології, дозволяючи лікарю зосередитися на складних випадках.

Типи дентальних рентгенограм та задачі

Як відбувається нумерація зубів та детекція патологій на ОПГ?

Це центральне завдання для панорамних знімків. Зуби нумеруються за системою FDI (11–48) — два рівні класифікації: квадрант + позиція. Модель повинна детектувати кожен зуб як окремий об'єкт з класом = номер за FDI.

Специфіка: зуби частково перекриваються (особливо нижні моляри + нижньощелепний канал), розмір об'єктів варіюється в 3–4 рази, рентгенографічна щільність залежить від апарата та експозиції — це нестандартизований input.

Рішення: Instance segmentation через Mask R-CNN або YOLOv8-seg з попередньо навченими вагами на dental датасетах (наприклад, Tufts Dental Database). Аугментація: варіація яскравості/контрасту ±30%, горизонтальний flip (симетрія щелеп), elastic deformation для імітації варіації анатомії. Метрики на тестовій вибірці: [email protected] = 0.84 для нумерації зубів, precision 0.79 для детекції каріозних порожнин.

Аналіз періапікальних змін (PAI)

Періапікальні зміни — потемніння біля верхівки кореня, ознака запалення. Розмір осередку: від 1–2 мм до 10+ мм. Маленькі осередки на ОПГ легко пропустити візуально. Завдання: регресія + класифікація. Сегментаційна модель видає маску осередку, окремий класифікатор оцінює PAI score (1–5).

Складність: нормальна анатомія (ментальний отвір, пазухи) візуально схожа на патологію. Хибнопозитивні передбачення дратують лікаря та знижують довіру до системи. Рішення — двоетапна верифікація: якщо модель флагує зону з confidence 0.4–0.7 — позначаємо як «потребує уваги» (не «патологія»). При confidence > 0.7 — прямий прапорець.

# Приклад двоетапної класифікації з 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   # потребує уваги
    labels[probs > threshold_flag] = 2    # патологія
    return labels  # 0=норма, 1=watch, 2=flag

Як відбувається інтеграція з DICOM та стоматологічним ПЗ?

Знімки зберігаються у форматі DICOM (.dcm). Для читання — pydicom, нормалізація пікселів — кастомний windowing. Pixel spacing з DICOM header потрібен для калібрування лінійних вимірювань (розмір осередку в мм, довжина кореня). Інтеграція з dental practice management системами (Romexis, CS Imaging, Planmeca) через HL7/FHIR API або експорт анотацій у DICOM SR (Structured Reporting). Детальніше про формат DICOM можна прочитати в офіційній документації.

Що входить в розробку AI-системи під ключ?

• Збір та розмітка датасету (мінімум 5000 знімків на задачу).
• Вибір архітектури (YOLOv8, U-Net, 3D U-Net) з урахуванням ваших вимог щодо latency та точності.
• Навчання з валідацією на власних даних.
• Розгортання у вашій інфраструктурі (Docker, Triton Inference Server).
• Документація та навчання персоналу.
• Гарантія роботи модуля протягом 6 місяців після здачі.

Строки та вартість

Базовий модуль нумерації + детекція карієсу: 8–12 тижнів. Повна система (ОПГ + періапікальні + байтові + звітність): 16–24 тижні. Вартість розраховується з урахуванням вимог медичної сертифікації та обсягу даних. Для довідки: в середньому впровадження окупається за 6–8 місяців за рахунок скорочення ручної праці. Зв'яжіться з нами — оцінимо проект за 1 день.

Чому обирають нас?

• 5+ років досвіду в медичній CV.
• 30+ впроваджених проектів у галузі аналізу медичних зображень.
• Власні датасети та попередньо навчені моделі, що забезпечують швидкий старт.
• Підтримка після впровадження: оновлюємо моделі, додаємо нові типи знімків на запит.

За даними Tufts Dental Database, середній час аналізу ОПГ скорочується на 70% при використанні нашої системи.

Замовте пілотний модуль або отримайте консультацію — ми допоможемо оцінити потенціал автоматизації у вашому діагностичному центрі.

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.