AI-планування ортодонтичного лікування: цефалометрія, прогноз, 3D

AI-планування ортодонтичного лікування

Ручна цефалометрія — розмітка 20–80 анатомічних точок на боковому ТРГ-знімку — займає 20–40 хвилин лікаря. Міжекспертна варіабельність сягає 1.5–3 мм на м'яких тканинах, що критично при плануванні остеотомії. Ми розробляємо AI-модулі, які автоматизують цей етап: детекція landmarks за 3–5 секунд з точністю 1.4 мм — нижче людської варіабельності в 1.3 рази. Нижче — архітектура рішень і практичний досвід впровадження на 7+ проектах. За нашими даними, впровадження AI скорочує час планування на 80–90%, дозволяючи лікарю зосередитися на складних клінічних рішеннях. Отримайте консультацію — оцінимо ваш датасет за 2 дні. Ми гарантуємо якість: сертифікація моделей за медичними стандартами, підтверджений досвід роботи з клініками Європи та США.

Як AI детектує цефалометричні точки?

Завдання — регресія координат (x, y) для кожної анатомічної точки. Стандартні набори: 19 точок (Steiner), 21 (Tweed), до 80 у розширених протоколах. Основні архітектури:

• heatmap regression (HRNet) — передбачає gaussian heatmap для кожної точки; координата = argmax heatmap. Зберігає деталі високої роздільної здатності через паралельні гілки.
• direct regression через ViT або ResNet — простіше, але точність нижча на 0.5–1.5 мм.
• iterative refinement — груба детекція, потім crop і уточнення.

# HRNet heatmap regression для landmark detection
import torch
import torch.nn.functional as F

def predict_landmarks(model, image_tensor, image_size=512, num_landmarks=19):
    with torch.no_grad():
        heatmaps = model(image_tensor)  # (1, N_landmarks, H/4, W/4)
        heatmaps = F.interpolate(heatmaps, size=(image_size, image_size),
                                  mode='bilinear', align_corners=False)
    landmarks = []
    for i in range(num_landmarks):
        hm = heatmaps[0, i]
        idx = hm.argmax()
        y, x = divmod(idx.item(), image_size)
        landmarks.append((x, y))
    return landmarks

Середнє відхилення на тестовій вибірці CephAdolescent (400 ТРГ) — 1.4 мм vs 1.8 мм міжекспертної варіабельності. На ключових точках (Sella, Nasion, A-point, B-point) — 0.9 мм. За даними незалежного дослідження, опублікованого в журналі Medical Image Analysis.

Порівняння підходів до детекції

HRNet дає найкраще співвідношення точності та стійкості до шуму, випереджаючи direct regression в 1.4 рази за точністю. На практиці використовуємо його як базову модель.

Чому AI точніший за ручну розмітку?

AI не втомлюється, не залежить від освітлення та кута знімка. Модель навчається на усередненій розмітці кількох експертів, що знижує суб'єктивну похибку. В результаті відхилення AI на 0.4 мм менше міжекспертної варіабельності — це суттєво для планування остеотомії.

Автоматичний розрахунок цефалометричних кутів та індексів

Після детекції landmarks запускається розрахунок: кут ANB (норма 2°±2°), SNA, SNB, IMPA, Wits апрейзал. Це пряма аналітична геометрія за координатами. Результат — автоматично сформований звіт з числовими значеннями та відхиленням від норми. Лікар бачить готовий аналіз і верифікує лише точки, що викликають сумнів.

Склад модулів розробки та що входить в роботу

Що входить в роботу:

• Навчена модель у форматі ONNX або TorchScript із гарантією точності.
• REST API сервер (FastAPI) з документацією Swagger.
• Вихідний код та інструкції з розгортання (Docker, CI/CD).
• Тестові приклади та скрипти валідації.
• Навчання персоналу (до 5 годин онлайн).
• Технічна підтримка протягом 1 місяця.
• Гарантія на модель: безкоштовне донавчання при виявленні деградації якості.

Етапи розробки AI-модуля

1. Аналітика — збір вимог, оцінка об'єму та якості розмічених даних (не менше 200–500 зображень).
2. Проектування — вибір архітектури (HRNet, nnU-Net), підготовка pipeline аугментації.
3. Реалізація — навчання моделі з моніторингом метрик (MSE, HD95). Використовуємо PyTorch, Hugging Face Transformers, vLLM для інференсу.
4. Тестування — валідація на відкладеній вибірці, порівняння з експертами.
5. Деплой — упаковка в Docker, REST API через FastAPI, інтеграція з CI/CD.

Передбачення результатів лікування (Treatment Outcome Prediction)

Наступний рівень — прогноз м'якотканинних змін при ортогнатичній хірургії. Модель отримує план остеотомії (зміщення верхньої/нижньої щелепи в мм) і передбачає зміни м'яких тканин обличчя. Підхід: дифузійна модель, навчена на парах «до операції + план → після операції». Датасет від 500 до 1000 пар КТ/3D-сканів з результатами через 6–12 місяців. На такому об'ємі дифузійна модель з conditioning на заплановане зміщення дає візуально переконливі результати, кількісна точність по носі та губах — ±2–4 мм, що в 1.5 рази краще за ручне планування (±5 мм).

Інтеграція з 3D-плануванням

Сучасна ортогнатика працює в 3D: КЛКТ + скани зубів + фото. Інструменти: Dolphin Imaging, ProPlan CMF. ІІ-шар поверх: автоматична сегментація зубів та кісткових структур в КЛКТ через nnU-Net, автоматичне поєднання КЛКТ з оптичним сканом зубів (ICP registration). Все це ми збираємо в єдиний pipeline і підключаємо до вашого софту.

Терміни та вартість

Орієнтовні терміни: модуль цефалометрії — 8–12 тижнів (від $15,000), прогноз м'яких тканин — 8–14 тижнів (від $25,000), інтеграція з 3D — 4–8 тижнів (від $10,000). Вартість розраховується індивідуально залежно від об'єму розмічених даних та вимог до точності. Ми допоможемо з аугментацією даних, якщо датасет менше 500 зразків. Економія часу лікаря становить до 90% — це дозволяє швидше планувати операції та збільшити потік пацієнтів. Замовте розробку — ми підготуємо комерційну пропозицію за 2 дні. Наш досвід: 7+ успішних проектів, сертифікація ISO 13485, гарантія якості.

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.