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
| Тип знімка | Завдання CV | Моделі |
|---|---|---|
| Панорамний (ОПГ) | Нумерація зубів, детекція патологій, оцінка кісткової тканини | YOLOv8, Mask R-CNN |
| Періапікальний | Карієс, періапікальні зміни, якість пломбування | U-Net, DenseNet |
| Байтовий (Bitewing) | Інтерпроксимальний карієс, стан альвеолярного гребеня | EfficientDet, YOLOv8 |
| КЛКТ (3D) | Об'ємний аналіз кісткової тканини, планування імплантації | 3D U-Net, nnU-Net |
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.
Орієнтовний план робіт по етапах
1. Аудит даних та інтеграційних точок (1–2 тижні). 2. Збір та розмітка датасету (4–6 тижнів). 3. Навчання та валідація моделі (3–4 тижні). 4. Інтеграція з DICOM та тестування (2–4 тижні). 5. Пілотний запуск та донавчання (2–4 тижні). 6. Промислова експлуатація та підтримка.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.