Розробка AI для аналізу МРТ: сегментація, детекція, MLOps

Радіолог витрачає 15–20 хвилин на розмітку одного МРТ-дослідження. При потоці 40 сканів на день це перетворюється на чисту втрату часу на рутині. Ми розробляємо AI-системи, які сегментують пухлини мозку, аналізують структуру білої речовини та будують трактограми за хвилини з Dice 0.85–0.92. Без інженерного досвіду ви ризикуєте отримати модель, яка «впаде» на даних сусіднього сканера через доменний зсув. Зв'яжіться з нами для попереднього аудиту даних — він безкоштовний при укладенні договору.

Чому AI-аналіз МРТ складніший, ніж КТ?

МРТ не має єдиної шкали інтенсивності, на відміну від HU для КТ. Сигнал залежить від конкретного сканера, котушки та протоколу. Нормалізація — критичний етап. Ми використовуємо Z-score по мозковій тканині, ресемплінг до ізотропного розрізнення 1 мм³ і центральний crop до 128³. Це гарантує consistent якість сегментації незалежно від виробника обладнання (Siemens, GE, Philips).

Які ризики при впровадженні AI в МРТ і як їх уникнути?

Основна проблема — розмітка даних. Розмітка МРТ трудомістка, часто зустрічаються неузгодженості між експертами. Ми використовуємо методологію STAPLE (Warfield et al., 2004) для об'єднання розміток і вчимо модель на ансамблі. Це підвищує Dice на 1–3% і знижує ризик перенавчання на погані приклади. Другий ризик — дрейф даних: нові сканери або протоколи можуть погіршити якість. Ми впроваджуємо моніторинг метрик у продакшені та донавчаємо модель за потреби.

Як ми забезпечуємо точність сегментації?

Наш стек включає PyTorch, MONAI, SwinUNETR та FastSurferCNN. Для задачі BraTS ми досягаємо Dice: ET 0.85, TC 0.87, WT 0.90. Наша модель перевершує FreeSurfer за швидкістю в ~100 разів (1–5 хвилин замість 6–8 годин) при порівнянній точності. Ми також використовуємо LoRA для fine-tuning під конкретні датасети та INT8 quantization для інференсу на edge-пристроях. На відміну від готових рішень, наш пайплайн на 30% швидший завдяки оптимізації TensorRT.

import numpy as np

class MRIPreprocessor:
    def __init__(self, target_shape=(128,128,128)):
        self.target_shape = target_shape

    def normalize_zscore(self, volume: np.ndarray) -> np.ndarray:
        brain_mask = volume > 0
        mean = volume[brain_mask].mean()
        std = volume[brain_mask].std()
        return (volume - mean) / (std + 1e-8)

Що дає MLOps-підхід?

Ми автоматизуємо цикл навчання, валідації та деплою: логування метрик в W&B, versioning даних через DVC, A/B тестування моделей. Це гарантує відтворюваність і швидке впровадження оновлень. Порівняйте: типова команда витрачає 3 місяці на ручний пайплайн, ми — 4 тижні з нуля.

Процес роботи

1. Аналітика: збір вимог, аудит даних (формат, модальності, якість розмітки).
2. Попередня обробка: нормалізація, ресемплінг, аугментація.
3. Розробка моделі: вибір архітектури (U-Net, SwinUNETR), навчання на ваших даних з early stopping.
4. Тестування: валідація на відкладеному тесті, розрахунок метрик Dice, Hausdorff Distance.
5. Деплой: контейнеризація (Docker), API на FastAPI, інтеграція в PACS через DICOMweb.
6. Підтримка: документація, навчання радіологів, гарантія 12 місяців на продуктивність.

Що входить в роботу

• Попередня обробка та стандартизація МРТ-серій (DICOM → NIfTI, skull stripping, bias field correction).
• Навчання та валідація моделі (PyTorch, MONAI) з логуванням метрик в W&B.
• Експорт моделі в ONNX Runtime + TensorRT для прискорення.
• REST API для інференсу з авторизацією та логуванням.
• Інтеграція з PACS (Orthanc/OHIF) через DICOMweb.
• Документація (model card, API reference) та навчання трьох ключових спеціалістів.

Строки та наш досвід

Ми — команда AI/ML інженерів з 7+ роками досвіду в медичній візуалізації. Виконали 15+ проєктів з автоматизації аналізу МРТ для клінік з України та Європи. Маємо сертифікати з MONAI та TensorRT. Автоматизація аналізу МРТ знижує витрати на діагностику до 40% за рахунок прискорення роботи радіологів — середня економія складає 2 млн грн на рік на відділення. Додатково, скорочення часу інтерпретації дозволяє зекономити на ліцензіях до 1,5 млн грн щорічно. Замовте консультацію, щоб обговорити ваше 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.