AI-система аналізу медичних зображень

Уявіть: рентгенолог переглядає 100 знімків на день, втома наростає, а пропущений вузлик у легені — це вже клінічний випадок. Ми стикалися з ситуацією, коли модель дає 99% accuracy, але на рідкісній патології помиляється з катастрофічною впевненістю. Саме тому ми будуємо медичні CV-системи, які не просто детектують аномалії, але й чесно повідомляють про невпевненість, а лікар залишається в контурі прийняття рішень.

Медичний CV вимагає не тільки високої accuracy, але й каліброваної впевненості, інтерпретовності (Grad-CAM, SHAP), відповідності регуляторам (MDR, FDA 510(k)) та обов'язкового human-in-the-loop для високоризикових рішень. Наш досвід — 7+ років в ML для охорони здоров'я, 12+ комерційних проєктів, включаючи сертифіковані системи. Гарантуємо прозорість кожного етапу — від прототипу до клінічного застосування.

Які архітектури оптимальні для медичної CV?

Вибір backbone залежить від модальності. DenseNet121 показує найкраще співвідношення якість/швидкість для рентгену — на 15% вище AUC порівняно з ResNet50 на CheXpert. Для КТ використовуємо 3D ResNet або 2.5D ensemble (3 ортогональні зрізи). В гістології ефективна EfficientNet з патч-стратегією (слайд розбивається на 512x512 тайли). За нашими тестами, EfficientNet-B3 перевершує DenseNet121 за F1 на 0.03 при рівній швидкості виведення, але потребує більше GPU пам'яті.

Чому пояснюваність критична в медичному AI?

Лікар ніколи не повірить "чорному ящику". Grad-CAM показує, на якому регіоні модель фокусується: затемнення в легені, потовщення плеври. Дослідження Rajpurkar et al. (2017) показало, що CheXNet досягає AUC 0.92, але без пояснення модель марна в клініці. Ми завжди постачаємо heatmap разом з передбаченням, а для критичних випадків додаємо SHAP-значення. Більше про Grad-CAM.

Як ми будуємо надійний пайплайн попередньої обробки?

Попередня обробка — основа будь-якої медичної CV-системи. DICOM-файли містять метадані (RescaleSlope, WindowCenter) та піксельні масиви в Hounsfield units для КТ. Без правильного windowing модель буде бачити «шум» замість патології. Ми використовуємо pydicom (офіційна документація) для читання та перетворення. Для рентгену — перцентильне масштабування (1-99%), для КТ — віконне з налаштовуваними параметрами.

Також обов'язкова аугментація: RandomRotation, ElasticTransform, але з обережністю — медичні дані чутливі до геометричних спотворень.

import pydicom
import numpy as np
import cv2

def dicom_to_array(
    dcm_path: str,
    target_modality: str = 'xray',
    window_center: float = None,
    window_width: float = None
) -> np.ndarray:
    """
    Нормалізація DICOM в діапазон [0, 255] uint8.
    Для КТ обов'язково windowing по HU.
    """
    dcm = pydicom.dcmread(dcm_path)
    array = dcm.pixel_array.astype(np.float32)
    
    slope = float(getattr(dcm, 'RescaleSlope', 1))
    intercept = float(getattr(dcm, 'RescaleIntercept', 0))
    array = array * slope + intercept
    
    if target_modality == 'ct':
        wc = window_center or float(getattr(dcm, 'WindowCenter', -600))
        ww = window_width  or float(getattr(dcm, 'WindowWidth', 1500))
        lower = wc - ww / 2
        upper = wc + ww / 2
        array = np.clip(array, lower, upper)
    elif target_modality == 'xray':
        p1, p99 = np.percentile(array, [1, 99])
        array = np.clip(array, p1, p99)
    
    arr_min, arr_max = array.min(), array.max()
    if arr_max > arr_min:
        array = (array - arr_min) / (arr_max - arr_min) * 255
    return array.astype(np.uint8)

Детекція патологій на рентгені: CheXNet-підхід

import torch
import torch.nn as nn
import timm
from torch.cuda.amp import autocast

PATHOLOGY_CLASSES = [
    'Atelectasis', 'Cardiomegaly', 'Consolidation', 'Edema',
    'Enlarged Cardiomediastinum', 'Fracture', 'Lung Lesion',
    'Lung Opacity', 'No Finding', 'Pleural Effusion',
    'Pleural Other', 'Pneumonia', 'Pneumothorax', 'Support Devices'
]

class ChestXRayClassifier(nn.Module):
    def __init__(
        self,
        backbone: str = 'densenet121',
        num_classes: int = 14,
        pretrained: bool = True
    ):
        super().__init__()
        self.backbone = timm.create_model(
            backbone,
            pretrained=pretrained,
            num_classes=0,
            global_pool='avg'
        )
        feat_dim = self.backbone.num_features
        self.classifier = nn.Sequential(
            nn.Linear(feat_dim, 512),
            nn.ReLU(),
            nn.Dropout(0.3),
            nn.Linear(512, num_classes)
        )

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        features = self.backbone(x)
        return self.classifier(features)

class WeightedBCEWithLogitsLoss(nn.Module):
    def __init__(self, pos_weights: torch.Tensor):
        """
        pos_weights[i] = n_neg[i] / n_pos[i] для класу i.
        CheXpert: типовий дисбаланс 15:1 - 100:1.
        """
        super().__init__()
        self.loss_fn = nn.BCEWithLogitsLoss(pos_weight=pos_weights)

    def forward(self, logits, targets):
        return self.loss_fn(logits, targets)

Grad-CAM для пояснюваності

Інтерпретовність обов'язкова — лікар бачить, де модель помиляється або права. Grad-CAM генерує теплову карту, що накладається на оригінал.

import torch
import numpy as np
import cv2

class GradCAM:
    def __init__(self, model: nn.Module, target_layer: nn.Module):
        self.model = model
        self.gradients = None
        self.activations = None

        target_layer.register_forward_hook(
            lambda m, i, o: setattr(self, 'activations', o)
        )
        target_layer.register_backward_hook(
            lambda m, gi, go: setattr(self, 'gradients', go[0])
        )

    def generate(
        self,
        image_tensor: torch.Tensor,
        target_class: int,
        original_size: tuple
    ) -> np.ndarray:
        self.model.eval()
        output = self.model(image_tensor)
        self.model.zero_grad()
        output[0, target_class].backward()

        weights = self.gradients.mean(dim=[2, 3], keepdim=True)
        cam = (weights * self.activations).sum(dim=1, keepdim=True)
        cam = torch.relu(cam).squeeze().cpu().numpy()

        cam = (cam - cam.min()) / (cam.max() - cam.min() + 1e-8)
        cam = cv2.resize(cam, (original_size[1], original_size[0]))
        return cam

Як ми тестуємо модель на рідкісних патологіях?

Для рідкісних захворювань (поширеність < 1%) стандартний train/test поділ не підходить. Ми використовуємо few-shot learning (модель навчається на 5-10 прикладах) і реалістичну симуляцію: підкладаємо рідкісні патології в тестовий набір з різними дозами. Метрики рахуємо окремо для частих і рідкісних класів. Якщо recall на рідкісному класі < 0.7 — включаємо додатковий детектор або rule-based фільтр. Такий підхід вже застосовувався в проєкті з виявлення інтерстиціальних захворювань легень: recall виріс з 0.4 до 0.85.

Метрики для медичної класифікації

Процес роботи

1. Аналітика та аудит даних: збір вимог, оцінка якості датасету, розподіл класів.
2. Проектування архітектури: вибір backbone (DenseNet, 3D ResNet, EfficientNet), стратегія fine-tuning (LoRA, full fine-tune).
3. Навчання та валідація: крос-валідація, моніторинг метрик (AUC, sensitivity, ECE), тестування на рідкісних класах.
4. Інтеграція пояснюваності: Grad-CAM, SHAP для кожного передбачення.
5. Деплой та MLOps: Triton Inference Server, ONNX Runtime, A/B тестування, логування дрейфу.
6. Документація та сертифікація: model card, звіт з валідації, підтримка при підготовці до CE/FDA.

Строки

Готові оцінити ваш датасет і порахувати метрики на пілотному проєкті? Зв'яжіться з нами — проведемо аудит за 2 дні та запропонуємо архітектуру. Реалізуємо систему під ключ: від збору вимог до розгортання в клініці.

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.