AI для хірургічних роботів: сегментація, трекінг, асистенція

Хірург, що працює через консоль da Vinci, бачить операційне поле через стереокамеру з 10-кратним збільшенням. Рухи його рук масштабуються та фільтруються від тремору. Але навіть найкраща роботизована система не дає відповіді на ключові питання: чи не зачеплена артерія? чи достатньо натягу тканини? Ми розробляємо AI-системи комп'ютерного зору, які додають цей контекст у реальному часі. Наша CV-система відстежує положення інструментів, сегментує анатомічні структури і будує 3D-карту операційного поля. Це не дослідницький прототип — це production-ready рішення, сертифіковані за IEC 62304. Наш досвід — 10+ років у машинному зорі та 5 проєктів у медичній робототехніці. Отримайте консультацію: оцінимо ваш проєкт за 2 дні.

Нижче розберемо три ключові завдання: трекінг інструментів, сегментацію тканин і depth estimation для AR-overlay. Покажемо, які моделі працюють в операційній, і розповімо про терміни впровадження.

Задачі CV в хірургічній робототехніці

Трекінг хірургічних інструментів

Базова задача, без якої не працює більшість іншого. Система повинна знати в реальному часі: де знаходиться кожен інструмент (затискач, ножиці, голка), його орієнтацію в 3D-просторі, швидкість руху.

Instance segmentation підхід: Mask R-CNN або YOLOv8m-seg для сегментації кожного інструмента попіксельно. На датасеті Cholec80 (80 відео лапароскопічних холецистектомій) fine-tuned YOLOv8m-seg дає mAP50 = 0.89 для детекції інструментів. YOLOv8m-seg швидший за Mask R-CNN у 3 рази при порівнянній точності.

Keypoint detection підхід: для точної оцінки орієнтації — детекція ключових точок інструмента (кінчик, з'єднання бранш, рукоятка). ViTPose або HRNet адаптовані для хірургічних інструментів.

Як вирішується проблема окклюзій інструментів?

Часткова видимість та окклюзії — коли інструменти перекривають один одного або виходять за край кадру. Temporal prediction (калманівський фільтр або RNN) відновлює трек при тимчасовій втраті. У наших проєктах ми використовуємо комбінацію YOLOv8-seg і Kalman filter з спостережуваністю на 5-10 кадрів назад.

Сегментація анатомічних структур

Розрізнення критичних структур (жовчна протока, артерії, нерви) від навколишніх тканин — задача з найвищими вимогами до точності. Помилка тут = травма пацієнта.

Специфіка: інтраопераційне зображення — не чиста анатомія підручника. Кров, дим від електрокоагулятора, деформація тканин при маніпуляціях. Модель повинна бути стійкою до цих артефактів.

Датасети: CholecSeg8k (8 000 анотованих кадрів холецистектомій, 13 класів тканин), Endoscapes (ендоскопічні сцени), KidneyVSS. Архітектура: TransFuse (CNN + Transformer fusion) або HardNet — спеціалізовані для медичної сегментації.

Чому depth estimation — найскладніша задача?

Технічно найбільш складна частина. Хірург оперує в 3D-просторі, але бачить 2D-зображення (якщо немає стереосистеми). Depth estimation дозволяє відновлювати 3D з монокулярного лапароскопічного відео.

Чому це складно

Ендоскопічне зображення порушує більшість припущень, на яких працюють стандартні depth estimation моделі:

• Дисторсія об'єктива значна (ширококутна оптика ендоскопа)
• Відсутність текстури на однорідних тканинах (моделі не бачать parallax)
• Specular highlights — відблиски від вологих тканин обманюють модель
• Деформація м'яких тканин — на відміну від статичних сцен, тканини рухаються та деформуються

Підходи

Self-supervised depth estimation (Monodepth2, DynDepth): навчання без розмічених глибинних карт, тільки з послідовностей кадрів. Фотометрична loss + ego-motion prediction. На лапароскопічних даних: AbsRel ≈ 0.12–0.18 — прийнятно для відносних оцінок.

Стерео + structured light: da Vinci Xi має stereo endoscope. Disparity з stereo matching (RAFT-Stereo, CFNet) дає точну абсолютну глибину. AbsRel < 0.05 при правильному калібруванні.

Гібридний підхід: depth estimation як prior + sparse 3D landmarks з feature matching (SuperGlue + SuperPoint) для уточнення. Використовується для AR-overlay анатомічного атласу поверх відео.

Augmented Reality overlay

Накладання анатомічного атласу (структури, які не можна зачепити) поверх хірургічного відео в реальному часі. Pipeline: Depth estimation → 3D registration з передопераційним CT/MRI → деформаційна модель тканини (для врахування рухів) → AR-рендер.

Latency вимога: < 50 ms кінець-в-кінець. Це диктує вибір архітектури: тільки легкі моделі або спеціалізоване GPU.

Процес розробки AI-системи під ключ

Ми застосовуємо покроковий підхід, щоб мінімізувати ризики та забезпечити відповідність медичним стандартам.

1. Аналіз задачі: збір вимог, вибір цільових задач (трекінг, сегментація, depth estimation), оцінка доступних даних.
2. Збір і розмітка даних: анотація кадрів (маски інструментів, ключові точки, глибинні карти). Використовуємо внутрішні тули для семантичної сегментації. Економія часу на етапі розмітки — до 40% за рахунок активного навчання.
3. Навчання та валідація: підбір архітектури, fine-tuning на медичних датасетах, оцінка за AbsRel, mAP, latency.
4. Інтеграція та оптимізація: ONNX Runtime або TensorRT для прискорення, розгортання на платформі NVIDIA IGX Orin.
5. Тестування та сертифікація: перевірка на репрезентативних даних, документування за IEC 62304.
6. Деплой та підтримка: встановлення в операційній, навчання персоналу, гарантійне обслуговування.

Що входить у роботу

• Документація: модель карта, опис архітектури, інструкція з експлуатації.
• Навчання команди клієнта роботі з системою.
• Технічна підтримка на етапі впровадження та гарантійний період.
• Адаптація під конкретну операційну та інтеграція з існуючим обладнанням.

Вимоги до системи в OR

Медичні вимоги жорсткі: IEC 62304 (життєвий цикл ПЗ медичного пристрою), FDA 510(k) або CE MDR для використання в клініці. Це не просто CV-розробка — це медична розробка з відповідною документацією, валідацією та сертифікацією.

Обчислювальна платформа: NVIDIA IGX Orin (medically-qualified platform) або NVIDIA Clara Holoscan для real-time медичних AI-систем. Підтримує обробку 4K 60fps при затримці < 1 frame.

Порівняння методів сегментації інструментів

Терміни

Дослідницька система для конкретної задачі (трекінг інструментів або сегментація однієї структури): 3–5 місяців. Production-ready система з медичною валідацією: 9–18 місяців з урахуванням регуляторних вимог. Вартість розробки розраховується індивідуально залежно від складності та обсягу робіт.

Зв'яжіться з нами для обговорення вашого проєкту. Ми допоможемо оцінити завдання та терміни. Отримайте консультацію: наші інженери проаналізують ваші дані та запропонують оптимальне рішення. Замовте консультацію сьогодні.

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.