hackaton_2026_4/bone_2026
hackaton_2026_4
/
bone_2026
5
0
Fork 1
Code Pull Requests Packages Projects Releases Wiki Activity

develop - hack_2026

This commit is contained in:
denis 2026-09-27 02:20:47 +03:00
parent 0305026ea4
commit 6a0b27cec6
94 changed files with 2985 additions and 9812 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

5
.dockerignore
View File

@ -1,6 +1,7 @@
# .dockerignore
# Цель: контекст сборки должен быть маленьким. Образ содержит только src,
# models и run.sh (см. Dockerfile), поэтому данные, тесты и служебные файлы
# Цель: контекст сборки должен быть маленьким. Образ собирается из src,
# requirements.txt и run.sh (см. Dockerfile); чекпоинт в образ не копируется, а
# монтируется в /app/models при запуске. Данные, тесты и служебные файлы
# исключаются — DICOM-датасет не должен попадать в образ с медицинскими данными.
__pycache__
**/__pycache__

3
.gitignore vendored
View File

@ -4,4 +4,5 @@
.idea/
.qwen/
.vscode/
/models/
/.pytest_cache/
/venv/

62
Dockerfile_cuda
View File

@ -1,6 +1,7 @@
# DXA Quality Assessment - Docker Container (GPU / CUDA)
# Build: docker build -t dxa-quality .
# Run: docker run --gpus all -v /path/to/data:/data -p 8000:8000 dxa-quality
# Build: docker build -f Dockerfile_cuda -t dxa-quality-cuda .
# Run: docker run --gpus all -v /path/to/data:/data -v /path/to/models:/app/models \
# -p 8000:8000 dxa-quality-cuda
# Base image with GPU support
FROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04
@ -34,44 +35,37 @@ RUN pip3 install --no-cache-dir \
--index-url https://download.pytorch.org/whl/cu118
# --- Остальные зависимости ---
# Ставим с явными ограничениями, чтобы pip разрешил конфликты
RUN pip3 install --no-cache-dir \
fastapi==0.128.8 \
"uvicorn[standard]==0.39.0" \
monai==1.5.2 \
TotalSegmentator==2.18.0 \
nibabel==5.3.3 \
pydicom==2.4.4 \
pydicom-seg==0.4.1 \
opencv-python-headless==4.11.0.86 \
scikit-learn==1.6.1 \
scipy==1.13.1 \
pandas==2.3.3 \
numpy==1.26.4 \
openpyxl==3.1.5 \
matplotlib==3.9.4 \
timm==1.0.29 \
python-multipart==0.0.20 \
pydantic==2.13.4 \
typer==0.23.2 \
click==8.2.1 \
huggingface_hub==1.8.0 \
safetensors==0.7.0 \
simpleitk==2.5.6 \
tqdm==4.70.0 \
rich==15.0.0 \
PyYAML==6.0.3
# Список версий один на оба образа: requirements.txt. Уже установленный torch
# pip не переустановит — версия из cu118 удовлетворяет требованию.
COPY requirements.txt ./
RUN pip3 install --no-cache-dir -r requirements.txt
# Copy application code
COPY . .
# --- Код приложения ---
COPY src ./src
COPY run.sh ./run.sh
RUN chmod +x ./run.sh
RUN mkdir -p models
# Smoke-проверка импорта: падает на сборке, если зависимость недоступна или
# модуль не найден, вместо тихой 500-й в рантайме. Чекпоинт здесь не читается.
RUN python3 -c "import src.main; print('app import ok')"
# --- Проверка статики для офлайн-работы ---
# Tailwind и FontAwesome лежат в src/api/static, обращений к CDN быть не должно.
RUN python3 -c "import os; \
files=['src/api/static/vendor/tailwind.js','src/api/static/vendor/fontawesome.css', \
'src/api/static/webfonts/fa-solid-900.woff2']; \
missing=[f for f in files if not os.path.exists(f)]; \
assert not missing, f'missing frontend assets: {missing}'; \
print('frontend assets ok')"
# Expose API port
EXPOSE 8000
# Environment variables
ENV PYTHONUNBUFFERED=1
ENV PYTHONPATH=/app
ENV PYTHONUNBUFFERED=1 \
PYTHONPATH=/app \
DXA_MODEL_PATH=/app/models/dxa_model.pth
# Default command
CMD ["python3", "-m", "uvicorn", "src.main:app", "--host", "0.0.0.0", "--port", "8000"]
CMD ["python3", "-m", "uvicorn", "src.main:app", "--host", "0.0.0.0", "--port", "8000"]

51
QWEN.md
View File

@ -52,16 +52,18 @@ src/dxa/
Артефакты вне кода: `labels/labels_images.csv|.xlsx` (официальная разметка),
`labels/labels_images_{table,union,expert}.csv` (варианты правила и эталон),
`labels/split_expert_seed42.json` (зафиксированное разбиение),
`labels/rename_map.csv` (карта переименований), `docs/labeling.md`
(как построена разметка и как выбиралось правило), `models/archive/`
(прежние чекпоинты), `models/compare_rules/` (чекпоинты и отчёт сравнения правил).
`labels/rename_map.csv` (карта переименований), `assets/labeling.md`
(как построена разметка и как выбиралось правило). Чекпоинты прогонов
(`models/archive/`, `models/compare_rules/`, `models/compare_labels/`,
`models/excel_labels/`) удалены 2026-09-27 — остались только числа в
`assets/labeling.md`; пересобрать можно через `./run.sh split && ./run.sh compare`.
### Ключевые решения (проверены экспериментально)
| Решение | Причина |
|---|---|
| Единый словарь типов нарушений (`src/dxa/violations.py`) | Коды, подписи и коды SR были в трёх копиях (инференс, `main.py`, `dxa-app.js`) и не знали кодов экспертной таблицы. Теперь подписи отдаёт сервер, фронт копий не держит |
| Метки только из экспертной таблицы (правило `table`): `labels/labels_images.csv`, 77 нарушений | Таблица описывает исследование, но каждая область встречается в нём один раз, поэтому вердикт переносится на снимок однозначно. Правило выбрано измерением: учёт ручных пометок из имён файлов дал ROC-AUC 0.6199 против 0.6764, хуже на всех 5 seed'ах. См. `docs/labeling.md` |
| Метки только из экспертной таблицы (правило `table`): `labels/labels_images.csv`, 77 нарушений | Таблица описывает исследование, но каждая область встречается в нём один раз, поэтому вердикт переносится на снимок однозначно. Правило выбрано измерением: учёт ручных пометок из имён файлов дал ROC-AUC 0.6199 против 0.6764, хуже на всех 5 seed'ах. См. `assets/labeling.md` |
| Склейка побайтных дублей | 544 файла, но 252 уникальных снимка; без склейки снимок попадал в оба класса |
| Разбиение по исследованиям, не по снимкам | Исключение утечки: снимки одного исследования в одной части |
| Линейный зонд (замороженный backbone) | Полный fine-tune при ~250 снимках переобучается (val AUC → 0.5) |
@ -89,7 +91,7 @@ python -m src.dxa.discriminator --model-path models/dxa_model.pth
Модель использует содержимое снимка: внутри областей она даёт 0.85–0.93.
Правило по области внутри области всегда 0.50 (подсказки нет). Честная оценка на
held-out — в `docs/labeling.md` §8: ROC-AUC 0.6764 [0.6309, 0.7218] по пяти seed'ам.
held-out — в `assets/labeling.md` §8: ROC-AUC 0.6764 [0.6309, 0.7218] по пяти seed'ам.
## Данные (`dataset_hack/`)
@ -134,7 +136,7 @@ dataset_hack/
из нескольких снимков «плохой». Так получены метки и типы нарушений
(`labels/labels_images.csv`); каждый источник свидетельства сохранён в отдельном
столбце, поэтому правило можно переиграть без повторного разбора. Почему выбрано
именно правило «только таблица» — в `docs/labeling.md` §4.
именно правило «только таблица» — в `assets/labeling.md` §4.
---
@ -159,9 +161,10 @@ python -m src.dxa.train --head mlp --freeze-epochs 0 --epochs 30
```
`split` стратифицирует по эталону (`labels/labels_images_expert.csv`), `compare`
прогоняет 5 seed'ов × 2 варианта и оценивает оба по этому же эталону; отчёт —
`models/compare_rules/rule_comparison.md`. Возобновить без переобучения —
`./run.sh compare --skip-training`.
прогоняет 5 seed'ов × 2 варианта и оценивает оба по этому же эталону; отчёты
(`comparison.md` / `comparison.json`) и чекпоинты прогонов пишутся в
`--output-root` (по умолчанию `models/compare_labels`) и в репозиторий не входят.
Возобновить без переобучения — `./run.sh compare --skip-training`.
Артефакты в `--output-dir`: `dxa_model.pth` (веса, порог, параметры
предобработки), `train_report.md`, `train_report.json`.
@ -172,8 +175,9 @@ python -m src.dxa.train --head mlp --freeze-epochs 0 --epochs 30
Рабочий чекпоинт — `models/dxa_model.pth` (правило `table`, seed 42 по умолчанию,
эпоха 39, порог логита −0.4930 → вероятность 0.379; val ROC-AUC 0.6706 при
честной оценке 0.6764 [0.6309, 0.7218] по пяти seed'ам). Прежние чекпоинты —
в `models/archive/` (см. README внутри), откат одной командой `cp`.
честной оценке 0.6764 [0.6309, 0.7218] по пяти seed'ам). Это единственный
чекпоинт в репозитории: прежние версии и прогоны сравнения удалены, откатиться
можно только переобучением.
---
@ -201,7 +205,7 @@ API и CLI используют один код предсказания (`predi
```bash
./run.sh test
python -m pytest tests/ -q # 208 тестов
python -m pytest tests/ -q # 209 тестов
```
- `tests/test_labels.py` — разбор имён, склейка дублей, отсутствие утечки при
@ -271,19 +275,22 @@ Tailwind и FontAwesome лежат локально (`src/api/static/vendor`,
6. Сторона бедра в 7 исследованиях с единственным снимком не проверяема: теги
`Laterality` пусты, оценка взята из единственного заполненного столбца.
7. Порог `SPINE_MIN_WIDTH` привязан к текущему оборудованию.
8. Grad-CAM (`src/models/visualization/gradcam.py`) есть, но не подключён.
## Устаревший код (не подключён к API)
## Удалённый устаревший код
Эти модули не импортируются из `src/main.py` и `src/dxa/*`; их зависимости
закомментированы в `requirements.txt`:
Не подключённые к API модули (`src/core/orchestrator.py`, `src/pipeline/`,
`src/model/{unet,segmentator}.py`, `src/models/*`, `src/classifiers/`,
`src/segmentators/`, `src/dataloaders/`, `src/training/`,
`src/api/{endpoints,annotation,root,schemas}`, `src/quality/{artifact_detector,
position_validator,universal_scorer,medical_quality}.py`) удалены 2026-09-27
вместе с неиспользуемыми чекпоинтами (`quality_classifier.pth`,
`region_detector.pth`, `violation_classifier.pth`, `dxa_model_final.pth`) и
папками `docs/`, `tools/`, `public/`.
- `src/api/endpoints.py` — падает при импорте, роутер не монтируется.
- `src/api/annotation.py` — маршруты под `/api/annotation`, не монтируются.
- `src/core/orchestrator.py`, `src/pipeline/pipeline.py` — веса не загружаются.
- `src/model/unet.py`, `src/model/segmentator.py` — UNet-заглушки.
- `src/quality/artifact_detector.py`, `position_validator.py`, `medical_quality.py` — заглушки.
- `src/dataloaders/pet_dataset.py` — остаток прототипа (Oxford-IIIT Pet).
Из живого кода их тянул только `src/__init__.py` — реэкспорт `Config`,
`FlexibleDataset`, `UNet`, `QualityScorer`; теперь в нём остался только
`__version__`, а `src/quality/__init__.py` — только докстрока. При добавлении
новых модулей в `src/quality/` помнить, что пакет больше ничего не импортирует.
---

34
README.md
View File

@ -55,13 +55,15 @@ python -m src.dxa.inference --input-path dataset_hack --output-path results.xlsx
```bash
docker build -t dxa-quality .
docker run -v /path/to/data:/data -p 8000:8000 dxa-quality
docker run -v /path/to/data:/data -v /path/to/models:/app/models -p 8000:8000 dxa-quality
```
Чекпоинт должен лежать в `models/dxa_model.pth` до сборки; путь задаётся переменной
`DXA_MODEL_PATH` (по умолчанию `/app/models/dxa_model.pth`). Сборка проверяет, что
чекпоинт читается, и падает, если модели нет — вместо тихих 500-х ответов в рантайме.
Вес модели внутрь образа зашит, из сети ничего не скачивается.
Чекпоинт в образ не копируется: он монтируется в `/app/models`, путь задаётся
переменной `DXA_MODEL_PATH` (по умолчанию `/app/models/dxa_model.pth`). Без
чекпоинта сервис всё равно поднимается — `/api/v1/health` сообщает
`model_loaded: false`, а анализ отвечает ошибкой `Model not loaded` вместо тихой
неверной оценки. Из сети ничего не скачивается. Сборка проверяет, что приложение
импортируется и что офлайн-ассеты фронтенда на месте.
---
@ -131,9 +133,8 @@ DICOM ──▶ предобработка ──▶ ResNet18 (замороже
| <img src="assets/img/architecture-region-detection.png" width="100%" alt="Алгоритм определения области: порог по перцентилю яркости, bounding box, соотношение сторон, сторона бедра"> | <img src="assets/img/architecture-classes.png" width="100%" alt="Диаграмма классов: классификатор, модель, детальная оценка, определение области"> |
Схемы взяты из проектного документа и показывают целевую архитектуру: блоки
`Orchestrator`, UNet-сегментации и готовых вердиктов качества в API не подключены.
Работающий путь описан выше, неподключённые модули перечислены в разделе
«Структура проекта».
`Orchestrator`, UNet-сегментации и готовых вердиктов качества в решении не
реализованы. Работающий путь описан выше.
---
@ -305,9 +306,10 @@ curl -X POST http://localhost:8000/api/v1/analyze -F "file=@study/spine.dcm"
вариант, обучавшийся на ней, в выигрышном положении; значимо то, что добавление
ненадёжных пометок согласие **снижает**.
Отчёт с полными числами и разбором ограничений — `assets/labeling.md`;
машинные отчёты — `models/compare_rules/rule_comparison.md` и
`models/train_report.json`.
Отчёт с полными числами и разбором ограничений — `assets/labeling.md`; отчёт
обучения рабочего чекпоинта — `models/train_report.json`. Само сравнение правил
хранится только в виде чисел в этих документах: чекпоинты прогонов удалены,
а пересобрать их можно командой `./run.sh split && ./run.sh compare`.
Время обработки одного снимка — порядка 0.02–0.05 с на CPU (ResNet18 с
замороженным backbone), то есть требование «не более 3 минут на исследование»
@ -374,7 +376,6 @@ node tests/browser/ui_offline.js # работа без доступа к вн
- Разметить типы нарушений на уровне снимка и обучить мультилейбл-классификатор.
- Собрать 500+ исследований для устойчивых метрик и честной валидации.
- Подключить Grad-CAM для объяснения решения (модуль есть, но не интегрирован).
- Заменить порог по ширине кадра на калибровку по метаданным аппарата.
---
@ -399,9 +400,8 @@ bone_2026/
│ │ ├── model.py # сеть, метрики, подбор порога
│ │ ├── train.py # обучение и отчёт
│ │ └── inference.py # пакетный инференс, определение области
│ ├── quality/ # эвристики (частично используются API)
│ ├── api/static/ # веб-интерфейс
│ └── model/, core/, pipeline/ # устаревшие модули, не подключены к API
│ ├── quality/ # эвристики качества, используются API
│ └── api/static/ # веб-интерфейс
├── labels/labels_images.csv # разметка снимков: официальная (+ .xlsx)
├── labels/labels_images_table.csv # вариант «только таблица» (то же, что выше)
├── labels/labels_images_union.csv # вариант «таблица или суффикс имени»
@ -410,9 +410,7 @@ bone_2026/
├── labels/rename_map.csv # карта переименований файлов (для отката)
├── assets/img/ # схемы архитектуры и скриншоты интерфейса
├── assets/labeling.md # как построена разметка и как сравнивались варианты
├── models/dxa_model.pth # рабочий чекпоинт (+ train_report.md)
├── models/archive/ # прежние чекпоинты (см. README внутри)
├── models/compare_rules/ # чекпоинты и отчёт сравнения правил метки
├── models/dxa_model.pth # рабочий чекпоинт (+ train_report.md/.json)
├── tests/ # pytest: метки, сплит, метрики, модель, API
├── dataset_hack/ # данные (в git не хранятся)
├── Dockerfile

77
docs/README.md
View File

@ -1,77 +0,0 @@
# DXA Quality Assessment — Documentation
## Файлы документации
### 📊 `presentation.md`
Основная документация для презентации. Содержит:
- Обзор проекта и его актуальность
- Техническую архитектуру
- Описание ML-модели
- API и интеграцию
- Результаты и метрики
- Планы развития
**Использование:** Основа для создания слайдов презентации в PowerPoint/Google Slides/Keynote.
---
### 📝 `slides-notes.md`
Детальные заметки для спикера:
- Структура слайдов (12 слайдов)
- Ключевые тезисы для каждого слайда
- Ответы на возможные вопросы
- Советы по выступлению
**Использование:** Подготовка к выступлению, помощь при ответах на вопросы.
---
## Структура презентации (12 слайдов)
1. Титульный слайд
2. Проблема
3. Решение
4. Технический стек
5. Архитектура
6. ML-модель
7. Результаты
8. Демонстрация
9. Ограничения
10. Перспективы
11. Бизнес-ценность
12. Контакты
---
## Рекомендации по созданию презентации
### Инструменты
- **PowerPoint** — классический вариант
- **Google Slides** — для совместной работы
- **Keynote** — если используется macOS
- **Marp** / **Slidev** — для Markdown-ориентированных
### Визуальные элементы
- Логотип проекта / медицинская тематика
- Скриншоты web-интерфейса
- Схемы архитектуры
- Графики метрик
### Время выступления
- Полная версия: 15-20 минут
- Короткая версия: 5-7 минут
- elevator pitch: 2-3 минуты
---
## Контакты для вопросов
Автор: Грачев Денис
Telegram: @oxydencher

446
docs/architecture-analytical.html
View File

File diff suppressed because one or more lines are too long

652
docs/architecture-analytical.md
View File

@ -1,652 +0,0 @@
# Аналитический документ: DXA Quality Assessment System
## Содержание
1. [Обзор системы](#обзор-системы)
2. [Архитектура](#архитектура)
3. [Компоненты системы](#компоненты-системы)
4. [Пайплайн обработки](#пайплайн-обработки)
5. [API Endpoints](#api-endpoints)
6. [Модели и алгоритмы](#модели-и-алгоритмы)
7. [PlantUML Диаграммы](#plantuml-диаграммы)
---
## Обзор системы
Система DXA Quality Assessment — это медицинский AI-сервис для автоматизированной оценки качества исследований DXA (денситометрия костей). Система анализирует DICOM файлы и определяет:
- **Анатомическую область**: позвоночник (spine) или бедро (hip_left/hip_right)
- **Качество изображения**: OK (класс 0) или нарушение (класс 1)
- **Тип нарушения**: движение, артефакты, позиционирование, ROI, ротация
### Целевое назначение
| Параметр | Значение |
|----------|----------|
| Тип | Медицинский AI сервис |
| Входные данные | DICOM файлы (DXA исследования) |
| Выходные данные | JSON / XLSX отчеты |
| Тип классификации | Бинарный (OK / Violation) |
| Целевые регионы | Позвоночник (L1-L4), Бедро (левое/правое) |
---
## Архитектура
### Высокоуровневая архитектура
```
┌─────────────────────────────────────────────────────────────────────────┐
│ DXA Quality Assessment │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────────────────┐ │
│ │ Клиент │───▶│ FastAPI │───▶│ Orchestrator │ │
│ │ (Web UI) │ │ Server │ │ (Pipeline Control) │ │
│ └──────────────┘ └──────────────┘ └───────────┬──────────────┘ │
│ │ │
│ ┌───────────────────┼───────────────┐ │
│ ▼ ▼ ▼ │
│ ┌───────────────┐ ┌─────────────┐ ┌──────────┐ │
│ │ DXA Classifier │ │ Segmentor │ │ Quality │ │
│ │ (ResNet18) │ │ (Threshold) │ │ Scorer │ │
│ └───────────────┘ └─────────────┘ └──────────┘ │
│ │
│ ┌────────────────────────────────────────────────────────────────────┐ │
│ │ Detailed Assessment Module │ │
│ │ ┌─────────┐ ┌──────────┐ ┌─────────┐ ┌───────┐ ┌────────┐ │ │
│ │ │ Motion │ │ Artifact │ │ Position│ │ ROI │ │Rotation│ │ │
│ │ │Detector │ │ Detector │ │Validator│ │ Check │ │ Checker│ │ │
│ │ └─────────┘ └──────────┘ └─────────┘ └───────┘ └────────┘ │ │
│ └────────────────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────────────┘
```
### Технологический стек
| Компонент | Технология |
|-----------|------------|
| Backend | Python 3.10, FastAPI, Uvicorn |
| ML/DL | PyTorch, torchvision (ResNet18) |
| Image Processing | PIL, OpenCV, pydicom, scipy |
| Data Handling | pandas, openpyxl |
| Containerization | Docker |
---
## Компоненты системы
### 1. API Layer (`src/main.py`)
Точка входа — FastAPI приложение с REST эндпоинтами.
**Основные функции:**
- Прием DICOM файлов через multipart/form-data
- Предобработка изображений (нормализация, ресайз до 224x224)
- Инференс модели
- Формирование ответов
```python
# Основной API эндпоинт
@app.post("/api/v1/analyze/detailed")
async def analyze_dicom_detailed(file: UploadFile = File(...)):
# 1. Загрузка модели
# 2. Предобработка DICOM
# 3. Инференс ResNet18
# 4. Генерация сегментации
# 5. Детальная оценка качества
# 6. Формирование ответа
```
### 2. DXA Classifier (`src/dxa/model.py`)
Модель для бинарной классификации качества изображения.
**Архитектура:**
```
Input (224x224x3)
│
▼
ResNet18 (pretrained on ImageNet)
│
├── Remove final FC layer
│
▼
Classifier Head:
├── Dropout(0.3)
├── Linear(512 → 256)
├── ReLU
├── Dropout(0.3)
└── Linear(256 → 2)
│
▼
Output: [prob_OK, prob_Violation]
```
**Параметры модели:**
- Backbone: ResNet18 (ImageNet pretrained)
- Input: 224x224 RGB
- Output: 2 класса (OK / Violation)
- Dropout: 0.3
### 3. Segmentator (Простая реализация)
Для сегментации используется простой пороговый метод:
```python
# Threshold-based segmentation
threshold = np.percentile(image, 90)
segmentation = (image > threshold).astype(np.uint8)
```
**Планируется:** Замена на UNet или TotalSegmentator для более точной сегментации.
### 4. Detailed Assessment (`src/quality/detailed_assessment.py`)
Модуль детальной оценки качества включает:
#### 4.1 Motion Detection
- **Laplacian variance** — дисперсия лапласиана (ниже = размытие)
- **FFT blur** — анализ высокочастотной энергии (ниже = размытие)
- **Edge duplication** — проверка "призрачных" краев
#### 4.2 Artifact Detection
- **Metal detection** — яркие пятна (>99.5 перцентиль)
- **Implant detection** — линейные структуры
- **Cement detection** — локальные яркие области
- **Calcification** — малые яркие пятна
#### 4.3 Region-Specific Checks
**Для позвоночника (spine):**
- Проверка количества позвонков (3-4 для поясничного отдела)
- Проверка полноты (не обрезаны ли позвонки)
- Проверка выравнивания позвонков
- Проверка контуров позвонков
**Для бедра (hip):**
- Проверка полноты видимости (шейка бедра, головка)
- Проверка ротации (угол главной оси)
- Проверка соотношения сторон
#### 4.4 ROI Validation
- Проверка отступов от краев
- Проверка размера ROI
### 5. Region Detector (`src/dxa/inference.py`)
Определение анатомической области по содержимому изображения:
**Алгоритм:**
1. Пороговая бинаризация (95 перцентиль)
2. Вычисление bounding box яркой области
3. Соотношение сторон bbox:
- < 1.5 → **spine** (более квадратная область)
- ≥ 1.5 → **hip** (вытянутая область)
4. Для hip: определение левого/правого по асимметрии яркости
---
## Пайплайн обработки
### Основной пайплайн
```plantuml
@startuml
title DXA Quality Assessment Pipeline
start
:Upload DICOM file;
:Parse DICOM metadata;
:Preprocess image;
note right
- Normalize to 0-1
- Convert to 3-channel
- Resize to 224x224
end note
:Model Inference (ResNet18);
note right
- Get prediction (OK/Violation)
- Get confidence scores
end note
:Determine Anatomical Region;
note right
- bbox_aspect ratio analysis
- left/right brightness ratio
end note
:Generate Segmentation;
note right
- Threshold-based (90th percentile)
end note
:Detailed Quality Assessment;
note right
- Motion detection
- Artifact detection
- Region-specific checks
- ROI validation
end note
:Determine Violation Type;
note right
- correct
- position_error
- artifact_motion
- artifact_other
- labeling_error
- incomplete_view
- roi_error
- rotation
end note
:Generate Response;
stop
@enduml
```
### Детальная диаграмма последовательности
```plantuml
@startuml
title Sequence: Detailed Analysis
actor User
participant "FastAPI" as API
participant "DXA Model" as Model
participant "Region Detector" as Region
participant "Segmentator" as Seg
participant "Quality Assessor" as QA
User -> API: POST /api/v1/analyze/detailed
API -> API: preprocess_dicom()
API -> Model: predict(image)
Model --> API: [prediction, confidence]
API -> Region: determine_region(image)
Region --> API: "spine" | "hip_left" | "hip_right"
API -> Seg: segment(image)
Seg --> API: segmentation_mask
API -> QA: generate_quality_report()
note over QA
- detect_motion_blur()
- detect_artifacts()
- check_spine_completeness() / check_hip_completeness()
- check_hip_rotation()
- check_roi_boundaries()
- determine_violation_type()
end note
QA --> API: quality_report
API -> API: convert_to_serializable()
API --> User: JSON response
@enduml
```
---
## API Endpoints
| Method | Endpoint | Description |
|--------|----------|-------------|
| GET | `/` | Web interface |
| GET | `/api/v1/health` | Health check |
| POST | `/api/v1/analyze` | Basic analysis |
| POST | `/api/v1/analyze/detailed` | Detailed analysis with metrics |
| POST | `/api/v1/analyze/sr` | DICOM SR report |
| POST | `/api/v1/batch` | Batch processing |
| POST | `/api/v1/export` | Export to XLSX |
### Response Format (Detailed)
```json
{
"anatomical_region": "spine",
"quality_class": 1,
"quality_label": "Violation detected",
"violation_type": "artifact_motion",
"reason": "Обнаружен артефакт движения (размытие)",
"confidence": 0.85,
"confidence_per_class": {
"correct": 0.15,
"violation": 0.85
},
"view_quality": "full",
"metrics": {
"motion": {
"motion_detected": true,
"blur_laplacian": 0.001,
"severity": "HIGH"
},
"artifacts": {
"any_detected": false,
"metal_detected": false
},
"roi_check": {
"valid": true
}
},
"overall_quality": "POOR",
"severity": "HIGH"
}
```
---
## Модели и алгоритмы
### Типы нарушений
**Для позвоночника:**
- `correct` — качество соответствует норме
- `position_error` — ошибка позиционирования
- `artifact_motion` — артефакт движения (размытие)
- `artifact_other` — другие артефакты
- `labeling_error` — ошибка маркировки
- `incomplete_view` — неполный вид
- `roi_error` — ошибка ROI
**Для бедра:**
- `correct` — качество соответствует норме
- `position_error` — ошибка позиционирования
- `rotation` — нарушение ротации
- `artifact_motion` — артефакт движения
- `artifact_other` — другие артефакты
- `roi_error` — ошибка ROI
- `incomplete_view` — неполный вид
### Метрики детекции движения
| Метрика | Порог | Описание |
|---------|-------|----------|
| Laplacian variance | < 0.002 | Низкая дисперсия = размытие |
| FFT high-freq ratio | < 0.3 | Низкая высокочастотная энергия |
| Edge duplication | bool | Дублирование краев |
### Алгоритм определения региона
```plantuml
@startuml
title Region Detection Algorithm
start
:Load DICOM image;
:Normalize to 0-1;
:Threshold at 95th percentile;
if (binary.sum > 0?) then (yes)
:Calculate bounding box;
:Compute bbox_aspect = height / width;
if (bbox_aspect < 1.5) then (yes)
:return "spine";
else (no)
if (bbox_aspect < 1.8) then (yes)
:Calculate symmetry;
if (symmetry > 0.35) then (yes)
:return "spine";
else (no)
:return "hip";
end
else (no)
:Calculate left/right brightness ratio;
if (ratio > 1.3) then (yes)
:return "hip_right";
else if (ratio < 0.7) then (yes)
:return "hip_left";
else (no)
:return "hip";
end
end
end
else (no)
:Fallback: height < 270 → hip;
:return "spine";
end
stop
@enduml
```
---
## PlantUML Диаграммы
### Диаграмма компонентов
```plantuml
@startuml
!theme plain
skinparam componentStyle uml2
component "Web Client" as Client {
[Web UI]
}
component "FastAPI Server" as API {
[Upload Handler]
[Preprocessor]
[Response Builder]
}
component "DXA Models" as Models {
[ResNet18 Classifier]
[Region Detector]
[Segmentator]
}
component "Quality Assessment" as QA {
[Motion Detector]
[Artifact Detector]
[Position Validator]
[ROI Checker]
[Rotation Checker]
}
database "File System" as FS {
[DICOM Files]
[Model Weights]
}
Client -down-> API : HTTP
API -down-> FS : Read/Write
API -right-> Models : Inference
Models -down-> QA : Quality Metrics
@enduml
```
### Диаграмма классов (основные сущности)
```plantuml
@startuml
!theme plain
class DXAQualityClassifier {
+backbone: str
+num_classes: int
+forward(x: Tensor) -> Tensor
+extract_features(x: Tensor) -> Tensor
}
class DXAQualityModel {
+model: DXAQualityClassifier
+device: str
+predict(images: Tensor) -> (preds, probs)
+train_epoch(loader)
+validate(loader)
}
class DetailedAssessment {
+detect_motion_blur(image) -> Dict
+detect_artifacts(image, segmentation) -> Dict
+check_spine_completeness(segmentation) -> Dict
+check_hip_completeness(segmentation) -> Dict
+check_hip_rotation(segmentation, image) -> Dict
+check_roi_boundaries(segmentation, shape) -> Dict
+generate_quality_report(...) -> Dict
}
class RegionDetector {
+determine_region_from_image(image) -> str
+determine_anatomical_region(dcm_path) -> str
}
DXAQualityModel --> DXAQualityClassifier
DXAQualityModel ..> DetailedAssessment : uses
RegionDetector ..> DetailedAssessment : provides region
@enduml
```
### Диаграмма развертывания
```plantuml
@startuml
!theme plain
skinparam rectangle {
BackgroundColor #White
BorderColor #Black
}
rectangle "Client Layer" {
rectangle "Browser" as Browser
rectangle "Web UI (HTML/JS)" as WebUI
}
rectangle "Application Layer" {
rectangle "FastAPI" as API
rectangle "Uvicorn" as Uvicorn
}
rectangle "ML Pipeline" {
rectangle "DXA Classifier" as Classifier
rectangle "Segmentator" as Segmentator
rectangle "Quality Assessor" as Assessor
}
rectangle "Infrastructure" {
rectangle "CPU/GPU" as Compute
rectangle "File System" as Storage
rectangle "Docker" as Docker
}
Browser -right-> WebUI
WebUI -right-> API
API -right-> Uvicorn
Uvicorn -right-> Classifier
Uvicorn -right-> Segmentator
Classifier -right-> Assessor
Classifier -up-> Compute : PyTorch
Segmentator -up-> Compute : NumPy/SciPy
API -down-> Storage : Models/Data
Compute -up-> Docker
@enduml
```
---
## Потоки данных
```plantuml
@startuml
!theme plain
skinparam ranksep 50
skinparam nodesep 50
node "Input" {
[DICOM File]
}
node "Preprocessing" {
[Normalization]
[3-Channel Conv]
[Resize 224x224]
}
node "ML Models" {
[ResNet18]
[Region Detector]
[Threshold Seg]
}
node "Quality Analysis" {
[Motion Detection]
[Artifact Detection]
[Completeness Check]
[ROI Validation]
}
node "Output" {
[JSON Response]
[XLSX Export]
}
[DICOM File] --> [Normalization]
[Normalization] --> [3-Channel Conv]
[3-Channel Conv] --> [Resize 224x224]
[Resize 224x224] --> [ResNet18]
[Resize 224x224] --> [Region Detector]
[Resize 224x224] --> [Threshold Seg]
[ResNet18] --> [Quality Analysis]
[Region Detector] --> [Quality Analysis]
[Threshold Seg] --> [Quality Analysis]
[Quality Analysis] --> [JSON Response]
[Quality Analysis] --> [XLSX Export]
@enduml
```
---
## Ограничения и планы развития
### Текущие ограничения
1. **Сегментация** — простая пороговая обработка, требует замены на Deep Learning (UNet/TotalSegmentator)
2. **Модель** — бинарная классификация, нужно расширение до многоклассовой для типов нарушений
3. **Dataset** — ~100 исследований, требуется расширение до 500+
4. **F1 Score** — текущий ~0.27, требует улучшения
### Планируемые улучшения
| Компонент | План |
|-----------|------|
| Region Detector | Отдельная модель для детекции региона |
| Segmentator | UNet или TotalSegmentator |
| Quality Classifier | Расширение на 8 классов нарушений |
| Violation Classifier | Отдельная модель для классификации типа нарушения |
| Artifact Detector | CNN для детекции металла/имплантатов |
| Visualization | Grad-CAM для внимания модели |
---
## Заключение
Система DXA Quality Assessment представляет собой полнофункциональный AI-сервис для автоматизированной оценки качества DXA исследований. Архитектура построена на принципах модульности и расширяемости, что позволяет поэтапно улучшать отдельные компоненты.
Основные характеристики:
- ✅ RESTful API с FastAPI
- ✅ Глубокое обучение (ResNet18)
- ✅ Детальная оценка качества с метриками
- ✅ Поддержка нескольких типов нарушений
- ✅ Экспорт в XLSX/CSV
- ✅ Docker контейнеризация

BIN
docs/architecture-analytical.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 24 KiB

BIN
docs/architecture-analytical_001.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 25 KiB

BIN
docs/architecture-analytical_002.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 16 KiB

BIN
docs/architecture-analytical_003.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 20 KiB

BIN
docs/architecture-analytical_004.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 18 KiB

BIN
docs/architecture-analytical_005.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 15 KiB

BIN
docs/architecture-analytical_006.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 18 KiB

BIN
docs/deck.pptx
View File

Binary file not shown.

BIN
docs/img/ui-banner.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 14 KiB

BIN
docs/img/ui-detail-clean.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 87 KiB

BIN
docs/img/ui-detail-violation.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 101 KiB

BIN
docs/img/ui-model-panel.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 144 KiB

BIN
docs/img/ui-results.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 68 KiB

214
docs/labeling.md
View File

@ -1,214 +0,0 @@
# Разметка датасета и выбор правила метки
Документ описывает, откуда берутся метки снимков, как проверялось правило
разметки и какие результаты из этого следуют. Числа проверяемы: ссылки на
источники приведены рядом.
## 1. Задача разметки
Экспертная оценка в наборе сделана на уровне **исследования**: в таблице
`разметка.xlsx` по каждому исследованию отмечены критерии качества, а не по
отдельному снимку. Модель же работает со снимками, поэтому вердикт исследования
нужно было перенести на каждый снимок — без догадок и без потери информации о
том, откуда метка взялась.
## 2. Экспертная таблица
Столбцы (две строки заголовков, данные с третьей):
| Столбец | Смысл | Тип нарушения |
|---|---|---|
| 2 | Позвоночник: укладка | `positioning` |
| 3 | Позвоночник: ось | `axis_deviation` |
| 4 | Позвоночник: артефакты, наложения | `artifact` |
| 5, 6 | Бедро R: позиционирование/ротация, область интереса | `rotation`, `roi_incorrect` |
| 7, 8 | Бедро L: то же | `rotation`, `roi_incorrect` |
| 9, 10, 11 | Итог по области | — |
| 12 | Комментарий эксперта | — |
**Семантика значений** установлена по данным, а не по формулировкам заголовков:
- `1` в столбце критерия означает **нарушение**, хотя часть заголовков
сформулирована положительно («корректная укладка»);
- итог области равен логическому ИЛИ критериев: бёдра 72/72 и 78/78,
позвоночник 96/99;
- три расхождения позвоночника (два случая «итог без критериев», один «критерий
без итога») трактуются как нарушение — по правилу «хотя бы один существенный
пункт нарушен»;
- заполненность: позвоночник 99/100, бедро R 72/100, бедро L 78/100; у 23
исследований есть комментарий.
## 3. Перенос вердикта на снимок
| Шаг | Что делается | Почему так |
|---|---|---|
| Ключ склейки | имя каталога исследования | таблица ссылается на каталог (`2.25…`), а в DICOM лежит другой идентификатор (`1.2.643…`); соответствие каталог → тег 100/100 |
| Склейка дублей | по хешу пиксельных данных | 544 файла — это 252 уникальных снимка |
| Область снимка | голосование по именам файлов группы | один снимок назван и как позвоночник, и как бедро; при равенстве голосов область остаётся неопределённой (такой снимок один) |
| Вердикт | оценка области переносится на её снимок | **каждая область встречается в исследовании ровно один раз**, поэтому не нужно решать, какой из нескольких снимков «плохой» |
| Сторона бедра | при единственном снимке бедра берётся единственный заполненный столбец | в 71 из 72 исследований с двумя бёдрами столбцы совпадают с именами файлов; в 7 исследованиях с одним снимком заполнена противоположная сторона. Факт переноса фиксируется флагом `laterality_mirrored`; теги `Laterality` в DICOM пусты |
| Тип нарушения | только из структурированных критериев | комментарии («сколиоз», «эндопротезирование ТБС») сохранены дословно: перекладывать свободный текст в код — догадка |
## 4. Правило метки и почему оно такое
Метка могла строиться двумя способами: только из таблицы или с добавлением
пометок, которые вручную проставлялись в именах файлов (суффикс `_bad`). Пометки
в именах оказались ненадёжными: они расходились с оценкой эксперта в **15 случаях
из 252**. Выбор сделан измерением, а не по вкусу.
**Постановка.** Разбиение по исследованиям зафиксировано один раз, оба варианта
обучены пятью seed'ами на нём, оценены по одному эталону — вердикту эксперта на
снимках валидации. Снимки валидации не участвуют в обучении ни в одном варианте.
Воспроизведение: `python -m src.dxa.excel_labels --label-rule {table,union,expert}`
и `python -m src.dxa.compare_labels --split-file labels/split_expert_seed42.json`.
**Результат** (53 снимка валидации, 16 нарушений по эталону, 5 seed'ов):
| Метрика (эталон) | только таблица | таблица или суффикс `_bad` |
|---|---|---|
| ROC-AUC | **0.6764** [0.6309, 0.7218] | 0.6199 [0.5840, 0.6559] |
| PR-AUC | **0.4759** [0.4141, 0.5377] | 0.4046 [0.3702, 0.4391] |
| F1 | **0.5676** [0.5270, 0.6082] | 0.5426 [0.5073, 0.5778] |
| Recall | 0.7000 | 0.8625 |
| Precision | 0.4857 | 0.4043 |
Парная разница («только таблица» − «с суффиксами»):
| Метрика | Δ, среднее [95 % ДИ] | Знаки по seed'ам |
|---|---|---|
| ROC-AUC | **+0.0564** [+0.0403, +0.0725] | `+++++` |
| PR-AUC | **+0.0713** [+0.0398, +0.1028] | `+++++` |
| F1 | +0.0251 [−0.0056, +0.0558] | `+++-+` |
| Precision | +0.0815 [+0.0590, +0.1039] | `+++++` |
| Recall | −0.1625 [−0.2715, −0.0535] | `--0--` |
**Решение: принято правило «только экспертная таблица».** Дополнительные пометки
из имён файлов ухудшали согласие модели с экспертом на невиданных
исследованиях: вариант с ними чаще срабатывал (recall 0.86), но за счёт
точности, а по беспороговым метрикам проигрывал на всех пяти seed'ах.
Оговорка: эталон — та же экспертная таблица, поэтому вариант, обучавшийся
непосредственно на ней, находится в выигрышном положении. Значимо здесь другое:
добавление ненадёжных пометок **снижает** согласие с экспертом, что и служит
аргументом против них.
## 5. Словарь типов нарушений
| Код | Подпись | Область | Источник |
|---|---|---|---|
| `positioning` | Некорректная укладка | позвоночник | таблица |
| `axis_deviation` | Отклонение оси | позвоночник | таблица |
| `artifact` | Артефакты и импланты | любая | таблица |
| `rotation` | Ротация, позиционирование | бедро | таблица |
| `roi_incorrect` | Некорректная область интереса | любая | таблица |
| `motion` | Движение, размытие | любая | критерии методики |
| `incomplete_anatomy` | Анатомия видна не полностью | любая | критерии методики |
| `labeling_error` | Ошибка разметки | позвоночник | критерии методики |
| `unspecified` | Нарушение без уточнения | любая | служебный |
Распределение в разметке: `rotation` 36, `artifact` 17, `axis_deviation` 10,
`roi_incorrect` 7, `positioning` 6, `unspecified` 5.
Словарь один на всё решение (`src/dxa/violations.py`): коды используют инференс,
отчёт DICOM SR и веб-интерфейс, подписи отдаёт сервер, копий в JavaScript нет.
## 6. Результат разметки
`labels/labels_images.csv` (и XLSX) — по одной строке на уникальный снимок:
| | позвоночник | бедро R | бедро L | неопред. | всего |
|---|---|---|---|---|---|
| качественных | 66 | 58 | 51 | 0 | 175 |
| с нарушением | 33 | 21 | 22 | 1 | 77 |
| **итого** | **99** | **79** | **73** | **1** | **252** |
Помимо метки в CSV сохранено происхождение: `quality_from_excel` (вердикт
эксперта), `quality_from_filename` (пометка из имени файла), `sources_conflict`,
`label_rule`, `filename_fallback`, `laterality_mirrored`, `region_ambiguous`,
`expert_comment`. Поэтому правило можно переиграть без повторного разбора.
Рядом лежат варианты для воспроизведения сравнения:
`labels_images_table.csv`, `labels_images_union.csv`, `labels_images_expert.csv`
(эталон: только снимки с экспертной оценкой, 249 строк) и
`split_expert_seed42.json` (зафиксированное разбиение).
## 7. Гигиена данных: имена файлов
Имена проставлялись вручную и разошлись: `spine_1` и `spine_01`, `Spine_01`,
`r_spine_03`, `r_hip03`, `r_hop_02` (опечатка), `spine-1`. Они приведены к виду
`<область>_<NN>[_good|_bad].dcm` инструментом `src/dxa/rename_files.py`;
переименовано 344 файла из 548, карта отката — `labels/rename_map.csv`.
Переименование сделано **после** того, как разметка и метрики были посчитаны, и
проверено, что оно на них не влияет: набор из 252 пиксельных групп идентичен до и
после, разметка не изменилась ни в одной строке. Суффиксы `_good`/`_bad`
сохранены как были и в метках не участвуют — только как диагностический столбец.
## 8. Оценка качества модели
Разбиение по исследованиям (по умолчанию seed 42): обучение 199 снимков /
81 исследование, валидация 53 снимка / 19 исследований, 16 нарушений.
| Метрика | Значение | Как получено |
|---|---|---|
| ROC-AUC | **0.6764** [0.6309, 0.7218] | 5 seed'ов на фиксированном разбиении, эталон — вердикт эксперта |
| PR-AUC | 0.4759 [0.4141, 0.5377] | там же |
| F1 | 0.5676 [0.5270, 0.6082] | там же; порог подобран по F1 на валидации, поэтому смещён вверх |
| ROC-AUC по областям | позвоночник 0.943, бедро R 0.576, бедро L 0.550 | рабочий чекпоинт, его собственная валидация |
Рабочий чекпоинт — обычный прогон с seed по умолчанию (эпоха 39, порог логита
−0.4930 → вероятность 0.379), его собственная валидационная ROC-AUC 0.6706
близка к среднему по seed'ам, то есть результат не отобран по удачности.
Проверка, что модель смотрит на снимок, а не угадывает анатомию: внутри областей
она даёт AUC 0.85–0.93, правило «позвоночник значит нарушение» — ровно 0.50.
Числа считаются на всём наборе, включая обучающие снимки, поэтому смещены вверх и
отвечают на вопрос «есть ли вклад содержимого», а не «каково качество на новых
данных».
## 9. Ограничения
1. **Разметка унаследована от исследования.** Таблица оценивает исследование, а
не снимок; перенос однозначен, потому что область встречается один раз, но
исходная оценка всё равно не поштучная.
2. **Мало данных:** 252 снимка, 77 нарушений. Интервалы широкие.
3. **Эталон — та же таблица.** Независимой истины нет; вариант, обучавшийся на
таблице, в сравнении в выигрышном положении.
4. **Тип нарушения — эвристика**, а не вывод модели: 5 снимков имеют только
`unspecified`, у остальных тип приходит из критериев таблицы.
5. **Три снимка без экспертной оценки** размечены по пометке в имени файла и
помечены `filename_fallback`.
6. **Сторона бедра в 7 исследованиях не проверяема:** теги латеральности пусты.
7. **Корректность областей интереса наследуется из таблицы:** разметки ROI в
DICOM нет, сравнить её напрямую не с чем.
## 10. Отрицательный результат: локальная vision-модель
Планировалась визуальная разметка локальной vision-моделью (9 млрд параметров,
офлайн), чтобы не зависеть от таблицы. На калибровке по 14 снимкам, из которых 8
заведомо с нарушениями, модель вынесла «непригоден» всем 14, включая все
качественные, с шаблонными формулировками и выдуманными имплантами. Разделяющая
способность — на уровне случайной, поэтому как разметчик модель непригодна.
Вывод, который стоит зафиксировать: разделяющую способность инструмента нужно
проверять **до** того, как строить на нём пайплайн. Инструменты рендера снимков и
контактных листов остались в `src/dxa/render.py` — они полезны для выборочной
ручной проверки.
## 11. Воспроизведение
```bash
./run.sh label # разметка по экспертной таблице
./run.sh rename # имена файлов (план; --apply)
./run.sh split && ./run.sh compare # выбор правила метки, 5 seed'ов
python -m src.dxa.excel_labels --label-rule union --out-name labels_images_union
python -m src.dxa.render --by-region --out dataset_hack/_preview
```
## 12. Что дальше
- Поштучная разметка снимков специалистом — снимет ограничение №1.
- Мультилейбл по типам нарушений вместо эвристики.
- Больше исследований (500+), чтобы сузить интервалы.
- Калибровка порога определения области под конкретное оборудование.

547
docs/multi_model_architecture.md
View File

@ -1,547 +0,0 @@
# Архитектура мультимодельного пайплайна
## Обзор
Предлагается архитектура из нескольких специализированных моделей, объединённых в единый пайплайн обработки.
```
┌─────────────────────────────────────────────────────────────────────────────┐
│ DXA Quality Assessment Pipeline │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ ┌──────────────┐ ┌────────────────────┐ │
│ │ Input │───▶│ Region │───▶│ Segmentation │ │
│ │ DICOM │ │ Detector │ │ (ROI Model) │ │
│ └──────────┘ └──────────────┘ └────────┬─────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────────────────────────────────┐ │
│ │ Quality Assessment │ │
│ │ ┌────────────────┐ ┌────────────────┐ ┌────────────────┐ │ │
│ │ │ Quality │ │ Violation │ │ Artifact │ │ │
│ │ │ Classifier │ │ Type │ │ Detector │ │ │
│ │ │ (OK/Violation)│ │ Classifier │ │ (motion, │ │ │
│ │ │ │ │ (7+ types) │ │ metal) │ │ │
│ │ └────────────────┘ └────────────────┘ └────────────────┘ │ │
│ └──────────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────────────────────────────────┐ │
│ │ Result Aggregator │ │
│ │ - quality_class (0/1) │ │
│ │ - violation_type (detailed) │ │
│ │ - reason (human-readable) │ │
│ │ - confidence_per_class │ │
│ │ - visualization (mask, heatmap) │ │
│ └──────────────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────────────────┘
```
---
## Модели
### 1. Region Detector (Определение анатомической области)
**Назначение**: Определение типа исследования (spine/hip_left/hip_right)
**Архитектура**:
- EfficientNet-B0 или ResNet18
- 4 класса вывода: spine, hip_left, hip_right, hip
- Вход: 224x224 RGB
**Файл**: `src/models/region_detector.py`
```python
class RegionDetector(nn.Module):
"""Определение анатомической области"""
def __init__(self, num_classes=4):
super().__init__()
self.backbone = models.efficientnet_b0(weights='IMAGENET1K_V1')
self.backbone.classifier = nn.Linear(1280, num_classes)
def forward(self, x):
return self.backbone(x)
```
**Обучение**:
```bash
python src/models/train_region_detector.py --epochs 20
```
---
### 2. Segmentation Model (Сегментация ROI)
**Назначение**: Сегментация костных структур для дальнейшего анализа
**Варианты**:
#### Вариант A: Универсальная модель (рекомендуемый)
| Регион | Выход |
|--------|--------|
| Spine | Маска позвонков L1-L4 |
| Hip | Маска бедренной кости + шейка + вертелы |
**Архитектура**: U-Net с ResNet34 encoder
```python
class DXASegmentator(nn.Module):
"""Сегментация костных структур"""
def __init__(self, in_channels=3, out_classes=2):
super().__init__()
self.encoder = models.resnet34(pretrained=True)
self.decoder = UNetDecoder(512, out_classes)
def forward(self, x):
features = self.encoder(x)
return self.decoder(features)
```
**Классы сегментации**:
- Background (0)
- Bone/Vertebrae (1)
- ROI specific: Neck, Trochanter (2) - для hip
#### Вариант B: Отдельные модели
| Модель | Назначение | Выход |
|--------|------------|--------|
| SpineSegmentator | Сегментация позвонков | L1-L4 маски |
| HipSegmentator | Сегментация бедра | Femur + Neck + Trochanters |
| ROISegmenter | Сегментация ROI | Области измерения |
**Файл**: `src/models/segmentation/`
```
src/models/segmentation/
├── __init__.py
├── base.py # Базовый класс
├── spine_model.py # Сегментация позвоночника
├── hip_model.py # Сегментация бедра
└── roi_model.py # Сегментация ROI
```
---
### 3. Quality Classifier (Классификатор качества)
**Назначение**: Бинарная классификация - пригодно/непригодно
**Архитектура**: ResNet18 + attention mechanism
```python
class QualityClassifier(nn.Module):
"""
Бинарный классификатор качества
Вход: изображение + маска сегментации
"""
def __init__(self, backbone='resnet18'):
super().__init__()
self.image_encoder = models.resnet18(weights='IMAGENET1K_V1')
self.image_encoder.fc = nn.Identity()
# Дополнительный вход для маски
self.mask_encoder = nn.Sequential(
nn.Conv2d(1, 32, 3, padding=1),
nn.ReLU(),
nn.Conv2d(32, 64, 3, stride=2),
nn.ReLU(),
nn.AdaptiveAvgPool2d(1)
)
# Объединение признаков
self.fusion = nn.Linear(512 + 64, 256)
self.classifier = nn.Linear(256, 2) # OK / Violation
def forward(self, image, mask):
img_features = self.image_encoder(image)
mask_features = self.mask_encoder(mask).squeeze()
combined = torch.cat([img_features, mask_features], dim=1)
return self.classifier(self.fusion(combined))
```
**Выход**:
- quality_class: 0 (OK) или 1 (Violation)
- confidence: вероятность
---
### 4. Violation Type Classifier (Классификатор типа нарушения)
**Назначение**: Определение конкретного типа нарушения
**Архитектура**: Multi-task learning с shared backbone
```python
class ViolationTypeClassifier(nn.Module):
"""
Многоклассовый классификатор типа нарушения
"""
# Типы нарушений для spine
SPINE_VIOLATIONS = [
'correct',
'position_error', # Неправильная укладка
'artifact_motion', # Артефакт движения
'artifact_other', # Другие артефакты
'labeling_error', # Ошибка разметки
'incomplete_view', # Неполный вид
'roi_error' # Ошибка ROI
]
# Типы нарушений для hip
HIP_VIOLATIONS = [
'correct',
'position_error',
'rotation', # Нарушение ротации
'artifact_motion',
'artifact_other',
'roi_error',
'incomplete_view'
]
def __init__(self, backbone='resnet18', num_classes=7):
super().__init__()
self.backbone = models.resnet18(weights='IMAGENET1K_V1')
self.backbone.fc = nn.Identity()
# Голова для каждого типа нарушения
self.heads = nn.ModuleDict({
'spine': nn.Linear(512, 7),
'hip': nn.Linear(512, 7)
})
self.feature_dim = 512
def forward(self, x, region_type='spine'):
features = self.backbone(x)
return self.heads[region_type](features)
```
**Обучение с Weighted Loss**:
```python
# Weighted CrossEntropy для дисбаланса классов
class_weights = torch.tensor([1.0, 3.0, 2.5, 2.0, 2.5, 3.0, 2.0])
criterion = nn.CrossEntropyLoss(weight=class_weights)
```
---
### 5. Artifact Detector (Детектор артефактов)
**Назначение**: Специализированная детекция артефактов
```python
class ArtifactDetector(nn.Module):
"""
Детектор артефактов - специализированная модель
"""
# Типы артефактов
ARTIFACT_TYPES = [
'motion_blur', # Размытие движения
'metal', # Металлические объекты
'implant', # Имплантаты/протезы
'cement', # Цемент
'calcification', # Кальцинаты
'noise', # Шум
'clipping' # Обрезанное изображение
]
def __init__(self):
super().__init__()
# EfficientNet-B0 для извлечения признаков
self.encoder = models.efficientnet_b0(weights='IMAGENET1K_V1')
self.encoder.classifier = nn.Identity()
# Голова для детекции артефактов (Binary для каждого типа)
self.artifact_heads = nn.ModuleList([
nn.Linear(1280, 2) # есть/нет для каждого типа
for _ in self.ARTIFACT_TYPES
])
def forward(self, x):
features = self.encoder(x)
outputs = [head(features) for head in self.artifact_heads]
return torch.stack(outputs, dim=1) # [B, 7, 2]
```
**Альтернатива**: Использовать rule-based методы + простые эвристики (текущая реализация в `detailed_assessment.py`)
---
### 6. Attention/Heatmap Model (Модель внимания)
**Назначение**: Визуализация областей, на которые обращает внимание модель
```python
class GradCAMExtractor:
"""Извлечение attention heatmap с помощью Grad-CAM"""
def __init__(self, model, target_layer):
self.model = model
self.target_layer = target_layer
self.gradients = None
def save_gradient(self, grad):
self.gradients = grad
def get_heatmap(self, input_tensor, target_class):
# Forward
output = self.model(input_tensor)
# Backward
self.model.zero_grad()
class_loss = output[0, target_class]
class_loss.backward()
# Get gradient
gradients = self.gradients
pooled_gradients = torch.mean(gradients, dim=[0, 2, 3])
# Apply to features
features = self.target_layer.output
for i in range(features.shape[1]):
features[:, i, :, :] *= pooled_gradients[i]
# Create heatmap
heatmap = torch.mean(features, dim=1).squeeze()
heatmap = F.relu(heatmap)
heatmap /= torch.max(heatmap)
return heatmap
```
---
## Пайплайн обработки
### Основной класс
```python
class QualityAssessmentPipeline:
"""
Основной пайплайн оценки качества DXA исследований
"""
def __init__(self, config: PipelineConfig):
self.config = config
self.device = get_device()
# Загрузка моделей
self.region_detector = self._load_model('region_detector')
self.segmentator = self._load_model('segmentator')
self.quality_classifier = self._load_model('quality_classifier')
self.violation_classifier = self._load_model('violation_classifier')
self.artifact_detector = self._load_model('artifact_detector') # опционально
# Правила для финального решения
self.rules = QualityRules()
def analyze(self, dicom_path: str) -> QualityResult:
"""Полный анализ DICOM файла"""
# 1. Загрузка и предобработка
image, ds = self._load_dicom(dicom_path)
# 2. Определение региона
region = self.region_detector.predict(image)
# 3. Сегментация
segmentation = self.segmentator.predict(image, region)
# 4. Классификация качества
quality_result = self.quality_classifier.predict(image, segmentation)
# 5. Определение типа нарушения (если есть)
if quality_result.predicted_class == 1:
violation_type = self.violation_classifier.predict(
image, segmentation, region
)
else:
violation_type = 'correct'
# 6. Детекция артефактов (дополнительно)
artifacts = self.artifact_detector.predict(image) if self.artifact_detector else {}
# 7. Применение правил
final_result = self.rules.apply(
quality_result=quality_result,
violation_type=violation_type,
artifacts=artifacts,
segmentation=segmentation,
region=region
)
# 8. Визуализация
heatmap = self._generate_heatmap(image, quality_result)
return QualityResult(
**final_result,
segmentation=segmentation,
heatmap=heatmap
)
def _load_dicom(self, path):
"""Загрузка DICOM"""
ds = pydicom.dcmread(path)
image = ds.pixel_array.astype(np.float32)
image = (image - image.min()) / (image.max() - image.min() + 1e-8)
return image, ds
```
---
## Конфигурация
```python
@dataclass
class PipelineConfig:
"""Конфигурация пайплайна"""
# Модели
region_detector_path: str = "models/region_detector.pth"
segmentator_path: str = "models/segmentator.pth"
quality_classifier_path: str = "models/quality_classifier.pth"
violation_classifier_path: str = "models/violation_classifier.pth"
artifact_detector_path: Optional[str] = None
# Параметры
input_size: int = 224
device: str = "auto" # auto, cuda, mps, cpu
# Режимы
use_heatmap: bool = True
use_artifact_detector: bool = False
use_multi_gpu: bool = False
# Threshold
quality_threshold: float = 0.5
confidence_threshold: float = 0.7
```
---
## Файловая структура
```
src/
├── models/
│ ├── __init__.py
│ ├── base.py # Базовые классы
│ ├── registry.py # Регистр моделей
│ ├── factory.py # Фабрика моделей
│ │
│ ├── region_detector.py # Определение региона
│ ├── segmentator.py # Сегментация (общая)
│ │
│ ├── classification/
│ │ ├── __init__.py
│ │ ├── quality_classifier.py # OK/Violation
│ │ └── violation_classifier.py # Типы нарушений
│ │
│ ├── segmentation/
│ │ ├── __init__.py
│ │ ├── spine_segmentator.py # Позвоночник
│ │ └── hip_segmentator.py # Бедро
│ │
│ ├── artifacts/
│ │ ├── __init__.py
│ │ └── detector.py # Детектор артефактов
│ │
│ └── visualization/
│ ├── __init__.py
│ └── gradcam.py # Attention heatmap
│
├── pipeline/
│ ├── __init__.py
│ ├── config.py # Конфигурация
│ ├── pipeline.py # Основной пайплайн
│ ├── rules.py # Правила принятия решений
│ └── result.py # Результат
│
├── training/
│ ├── __init__.py
│ ├── train_region.py
│ ├── train_segmentation.py
│ ├── train_quality.py
│ ├── train_violation.py
│ └── losses.py # Weighted losses
│
└── evaluation/
├── __init__.py
├── metrics.py # ROC-AUC, PR-AUC, F1
└── analysis.py # Анализ ошибок
```
---
## Обучение
### Скрипт обучения
```bash
# 1. Обучение region detector
python src/training/train_region.py \
--data-root dataset_hack \
--annotation dataset_hack/разметка.xlsx \
--epochs 20 \
--batch-size 16 \
--output models/region_detector.pth
# 2. Обучение сегментатора
python src/training/train_segmentation.py \
--data-root dataset_hack \
--epochs 30 \
--batch-size 8 \
--output models/segmentator.pth
# 3. Обучение quality classifier
python src/training/train_quality.py \
--data-root dataset_hack \
--annotation dataset_hack/разметка.xlsx \
--epochs 25 \
--batch-size 16 \
--loss weighted \
--output models/quality_classifier.pth
# 4. Обучение violation classifier
python src/training/train_violation.py \
--data-root dataset_hack \
--annotation dataset_hack/разметка.xlsx \
--epochs 25 \
--batch-size 16 \
--num-classes 7 \
--loss weighted \
--output models/violation_classifier.pth
```
---
## Метрики
| Модель | Метрика | Целевое значение |
|--------|---------|-----------------|
| Region Detector | Accuracy | > 95% |
| Segmentator | Dice | > 0.85 |
| Quality Classifier | ROC-AUC | > 0.90 |
| Quality Classifier | F1 | > 0.85 |
| Violation Classifier | Macro-F1 | > 0.75 |
| Violation Classifier | PR-AUC | > 0.80 |
---
## Приоритеты реализации
### Фаза 1: Основные модели
1. ✅ Region Detector (уже есть в inference.py)
2. Quality Classifier (улучшить)
3. Violation Type Classifier (новый)
### Фаза 2: Сегментация
4. Spine Segmentator
5. Hip Segmentator
### Фаза 3: Улучшения
6. Artifact Detector
7. Grad-CAM Heatmap
8. Multi-task learning

611
docs/pitch.html
View File

@ -1,611 +0,0 @@
<!DOCTYPE html>
<html lang="ru">
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width, initial-scale=1">
<title>Материалы к презентации — контроль качества DXA</title>
<!--
Страница самодостаточна: CSS и JS внутри, внешних ресурсов нет.
Требование методики — работа без обращения к внешним сервисам, поэтому
страницу можно открывать в закрытом контуре и печатать.
-->
<style>
:root {
--fg: #1f2933;
--muted: #616e7c;
--line: #e4e7eb;
--accent: #1d6fb8;
--accent-soft: #eef6fd;
--warn: #8a5a00;
--warn-soft: #fdf6e3;
--ok: #0f6b3f;
--ok-soft: #eefaf3;
--code-bg: #f5f7fa;
}
* { box-sizing: border-box; }
body {
margin: 0;
background: #f7f8fa;
color: var(--fg);
font: 16px/1.6 -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, "Helvetica Neue", Arial, sans-serif;
}
.wrap { max-width: 1060px; margin: 0 auto; padding: 28px 20px 80px; }
header.page {
background: #fff; border: 1px solid var(--line); border-radius: 12px;
padding: 22px 26px; margin-bottom: 20px;
}
header.page h1 { margin: 0 0 6px; font-size: 26px; line-height: 1.25; }
header.page p { margin: 0; color: var(--muted); }
.tabs { display: flex; flex-wrap: wrap; gap: 8px; margin: 20px 0 18px; }
.tabs button {
font: inherit; cursor: pointer; border: 1px solid var(--line);
background: #fff; color: var(--fg); padding: 10px 16px; border-radius: 999px;
}
.tabs button[aria-selected="true"] { background: var(--accent); border-color: var(--accent); color: #fff; }
.tabs button:hover:not([aria-selected="true"]) { background: var(--accent-soft); }
.panel { display: none; }
.panel.active { display: block; }
section.card {
background: #fff; border: 1px solid var(--line); border-radius: 12px;
padding: 22px 26px; margin-bottom: 18px;
}
h2 { font-size: 22px; margin: 0 0 4px; }
h2 .sub { display: block; font-size: 14px; font-weight: 400; color: var(--muted); margin-top: 4px; }
h3 { font-size: 17px; margin: 26px 0 8px; }
h3:first-of-type { margin-top: 12px; }
h4 { font-size: 15px; margin: 18px 0 6px; color: var(--muted); text-transform: uppercase; letter-spacing: .04em; }
p, li { margin: 8px 0; }
ul, ol { padding-left: 22px; }
.say {
background: var(--accent-soft); border-left: 4px solid var(--accent);
padding: 12px 16px; border-radius: 0 8px 8px 0; margin: 12px 0;
}
.say strong { display: block; font-size: 13px; text-transform: uppercase; letter-spacing: .05em; color: var(--accent); margin-bottom: 4px; }
.warn { background: var(--warn-soft); border-left: 4px solid var(--warn); padding: 12px 16px; border-radius: 0 8px 8px 0; margin: 12px 0; }
.ok { background: var(--ok-soft); border-left: 4px solid var(--ok); padding: 12px 16px; border-radius: 0 8px 8px 0; margin: 12px 0; }
table { width: 100%; border-collapse: collapse; margin: 12px 0; font-size: 15px; }
th, td { border: 1px solid var(--line); padding: 8px 10px; text-align: left; vertical-align: top; }
th { background: #f2f5f8; font-weight: 600; }
td.num, th.num { text-align: right; font-variant-numeric: tabular-nums; }
code, .mono { font-family: ui-monospace, SFMono-Regular, Menlo, Consolas, monospace; font-size: 14px; }
code { background: var(--code-bg); padding: 1px 5px; border-radius: 4px; }
pre { background: var(--code-bg); border: 1px solid var(--line); border-radius: 8px; padding: 12px 14px; overflow-x: auto; }
pre code { background: none; padding: 0; }
dl.defs { margin: 0; }
dl.defs dt { font-weight: 600; margin-top: 16px; }
dl.defs dd { margin: 4px 0 0; color: #33414e; }
dl.defs dd .why { display: block; color: var(--muted); font-size: 14px; margin-top: 3px; }
.tag { display: inline-block; font-size: 12px; padding: 1px 7px; border-radius: 999px; background: #eef1f4; color: #4a5560; margin-left: 6px; vertical-align: middle; }
.tag.table { background: #e8f4ea; color: #23633a; }
.tag.cond { background: #fdf1e3; color: #8a5a00; }
.src { font-size: 13px; color: var(--muted); }
footer.page { color: var(--muted); font-size: 14px; text-align: center; margin-top: 30px; }
@media print {
body { background: #fff; }
.tabs { display: none; }
.panel { display: block !important; page-break-before: always; }
.panel:first-of-type { page-break-before: avoid; }
section.card { border: none; padding: 0; margin-bottom: 24px; }
.wrap { max-width: none; padding: 0; }
}
</style>
<noscript>
<style>.tabs { display: none; } .panel { display: block !important; }</style>
</noscript>
</head>
<body>
<div class="wrap">
<header class="page">
<h1>Контроль качества денситометрических исследований (DXA)</h1>
<p>Материалы к презентации в трёх вариантах: краткий спич, словарь терминов к нему и полная техническая выкладка. Все числа проверяемы, источник указан рядом.</p>
</header>
<div class="tabs" role="tablist">
<button role="tab" aria-selected="true" data-panel="p1">1. Краткий спич</button>
<button role="tab" aria-selected="false" data-panel="p2">2. Определения</button>
<button role="tab" aria-selected="false" data-panel="p3">3. Техническая выкладка</button>
</div>
<!-- ============================ ВАРИАНТ 1 ============================ -->
<div class="panel active" id="p1">
<section class="card">
<h2>Краткий спич
<span class="sub">Около трёх минут. Каждый блок — один абзац для произнесения; ниже — что показать на слайде.</span>
</h2>
<h3>1. Задача</h3>
<div class="say"><strong>Произнести</strong>
Мы делали цифрового помощника по контролю качества денситометрии. По снимку DXA нужно решить, пригоден ли он для дальнейшего анализа, и объяснить, что именно не так. Вход — DICOM, выход — таблица XLSX или CSV, одна строка на снимок. Работает офлайн, в контейнере, не дольше трёх минут на исследование. Области — поясничный отдел позвоночника и проксимальный отдел бедра.
</div>
<p class="src">На слайд: колонки результата и требования — офлайн, контейнер, три минуты.</p>
<h3>2. Данные</h3>
<div class="say"><strong>Произнести</strong>
В наборе 544 файла, но это 252 уникальных снимка в ста исследованиях: остальное — те же кадры, сохранённые повторно. Экспертная оценка сделана в таблице, по каждому исследованию и с разбивкой на критерии: укладка, ось, артефакты, позиционирование, область интереса.
</div>
<h3>3. Как из оценки исследования получилась метка снимка</h3>
<div class="say"><strong>Произнести</strong>
Оценка в таблице относится к исследованию, а модель работает со снимками — вердикт нужно было перенести. Здесь помогло свойство набора: после склейки дублей каждая анатомическая область встречается в исследовании ровно один раз. Значит, не нужно угадывать, какой из снимков «плохой»: вердикт области переносится на её снимок однозначно. Так размечены все 252 снимка, из них 77 с нарушениями.
</div>
<p class="src">На слайд: 544 файла → 252 снимка → 100 исследований; одна область на исследование.</p>
<h3>4. Выбор правила разметки делали измерением</h3>
<div class="say"><strong>Произнести</strong>
Метку можно было строить только из экспертной таблицы или дополнительно учитывать служебные пометки, которые проставлялись при подготовке набора. Они расходились с оценкой эксперта в пятнадцати случаях из двухсот пятидесяти двух, поэтому мы не стали верить на слово ни одному варианту: зафиксировали разбиение, обучили оба пятью seed'ами и сравнили по одному эталону. Победило правило «только таблица»: ROC-AUC 0.68 против 0.62, преимущество на всех пяти seed'ах. Служебные пометки в метках не участвуют.
</div>
<h3>5. Модель</h3>
<div class="say"><strong>Произнести</strong>
Архитектура намеренно простая: ResNet18 с весами ImageNet как замороженный экстрактор признаков и линейная голова. Полное дообучение на двухстах снимках переобучается — train-метрика уходит в единицу, а качество на валидации падает до случайного. Аугментацию отключили: яркость и положение снимка сами являются признаками качества, и её включение роняло площадь под ROC-кривой с 0.87 до 0.56. Порог решения подбираем по логиту, максимизируя F1: вероятности насыщаются, и порог 0.5 даёт почти нулевой recall.
</div>
<h3>6. Результат</h3>
<div class="say"><strong>Произнести</strong>
На фиксированном разбиении, пять seed'ов, оценка по вердикту эксперта: ROC-AUC 0.676 с интервалом от 0.63 до 0.72, PR-AUC 0.476, F1 0.568. Рабочий чекпоинт — обычный прогон с seed по умолчанию, его собственная оценка 0.671, то есть близка к среднему: результат не отобран по удачности.
</div>
<p class="src">На слайд: три строки метрик с интервалами и одна оговорка про эталон.</p>
<h3>7. Модель смотрит на снимок, а не на область</h3>
<div class="say"><strong>Произнести</strong>
Область исследования почти однозначно определяется шириной кадра, поэтому есть риск, что модель просто угадывает анатомию. Мы это проверили отдельно: внутри областей модель даёт AUC от 0.85 до 0.93, а правило «позвоночник — значит нарушение» — ровно 0.5, потому что внутри области подсказки нет. Значит, модель работает с содержимым снимка.
</div>
<h3>8. Скорость</h3>
<div class="say"><strong>Произнести</strong>
Обработка одного снимка — около пятнадцати миллисекунд, на процессоре двадцать. При бюджете три минуты на исследование запас более чем тысячекратный. Чекпоинт занимает 43 мегабайта, ускоритель для этой задачи не обязателен: время уходит на декодирование снимка, а не на сеть.
</div>
<h3>9. Чего мы не утверждаем</h3>
<div class="say"><strong>Произнести</strong>
Модель бинарная: она не определяет тип нарушения. Тип, который вы видите в интерфейсе, посчитан эвристикой по метрикам снимка и помечен соответствующей пометкой — мы намеренно не выдаём предположение за заключение. Эталон, по которому мы мерили, — та же экспертная таблица, независимой истины у нас нет. Данных мало: 252 снимка, в валидации шестнадцать нарушений, интервалы широкие. И отдельно: локальная vision-модель на девять миллиардов параметров, которой мы хотели размечать снимки визуально, вынесла «непригоден» всем четырнадцати снимкам калибровки, включая заведомо качественные. От этого пути отказались, проверив его одним прогоном, а не неделей разработки.
</div>
<h3>10. Что дальше</h3>
<div class="say"><strong>Произнести</strong>
Три направления: поштучная разметка снимков специалистом, чтобы снять главное ограничение; мультилейбл-модель для типов нарушений вместо эвристики; больше исследований, чтобы сузить интервалы.
</div>
</section>
<section class="card">
<h2>Шпаргалка: цифры, которые будут спрашивать</h2>
<table>
<thead><tr><th>Вопрос</th><th>Ответ</th><th>Откуда</th></tr></thead>
<tbody>
<tr><td>Сколько снимков?</td><td>252 уникальных в 100 исследованиях (544 файла на диске)</td><td class="src">склейка дублей по пикселям</td></tr>
<tr><td>Сколько нарушений?</td><td>77 из 252 (30.6 %): 74 по экспертной таблице + 3 без экспертной оценки</td><td class="src">labels/labels_images.csv</td></tr>
<tr><td>ROC-AUC</td><td>0.6764 [0.6309, 0.7218], 5 seed'ов</td><td class="src">models/compare_rules/rule_comparison.md</td></tr>
<tr><td>PR-AUC / F1</td><td>0.4759 [0.4141, 0.5377] / 0.5676 [0.5270, 0.6082]</td><td class="src">там же</td></tr>
<tr><td>Почему такое правило разметки?</td><td>замер: +0.0564 ROC-AUC против варианта со служебными пометками, 5 из 5 seed'ов</td><td class="src">там же</td></tr>
<tr><td>Вклад содержимого снимка</td><td>внутри областей AUC 0.85–0.93 против 0.50 у правила области</td><td class="src">discriminator</td></tr>
<tr><td>Скорость</td><td>≈15 мс на снимок на ускорителе, 20 мс на CPU</td><td class="src">замер на 544 файлах</td></tr>
<tr><td>Размер модели</td><td>42.8 МБ, 11.2 млн параметров, обучается только голова</td><td class="src">models/dxa_model.pth</td></tr>
<tr><td>Тесты</td><td>208</td><td class="src">./run.sh test</td></tr>
</tbody>
</table>
</section>
</div>
<!-- ============================ ВАРИАНТ 2 ============================ -->
<div class="panel" id="p2">
<section class="card">
<h2>Определения
<span class="sub">Расширение краткого спича: термины, которыми придётся отвечать на вопросы. Формулировки привязаны к тому, как эти слова используются в решении.</span>
</h2>
<h4>Данные и формат</h4>
<dl class="defs">
<dt>DXA / ДРА <span class="tag">двухэнергетическая рентгеновская абсорбциометрия</span></dt>
<dd>Метод измерения минеральной плотности костной ткани. От качества укладки и разметки зависит не «красивость» снимка, а само число.
<span class="why">Задача — контроль качества измерения, а не диагностика перелома.</span></dd>
<dt>DICOM</dt>
<dd>Стандарт хранения и передачи медицинских изображений: пиксельные данные плюс метаданные.
<span class="why">Вход решения; из метаданных берём идентификаторы, но решение не зависит от персональных данных.</span></dd>
<dt>StudyInstanceUID и SOPInstanceUID</dt>
<dd><code>StudyInstanceUID</code> идентифицирует исследование, <code>SOPInstanceUID</code> — конкретный снимок. Оба идут в выходной файл: <code>study_uid</code> и <code>image_uid</code>.
<span class="why">Подводный камень: имя каталога исследования в наборе не совпадает с этим тегом, а экспертная таблица ссылается на каталог. Склейка идёт по каталогу, в отчёт попадает тег.</span></dd>
<dt>ROI <span class="tag">region of interest</span></dt>
<dd>Область интереса: рамка или контур, по которой считают плотность. Правильность её проведения — самостоятельный критерий качества.
<span class="why">В предоставленных DICOM разметка ROI отсутствует, сравнить её не с чем: корректность областей оценивается экспертом в таблице, и это открытое ограничение решения.</span></dd>
<dt>Побайтный дубль</dt>
<dd>Файлы с идентичным пиксельным содержимым под разными именами. В наборе 544 файла против 252 уникальных снимков.
<span class="why">Зачем склеивать: иначе один и тот же снимок попадал и в обучение, и в валидацию.</span></dd>
<dt>Анатомическая область</dt>
<dd>В решении три области: <code>spine</code> (поясничный отдел), <code>hip_right</code> и <code>hip_left</code> (проксимальный отдел бедра).
<span class="why">Область определяется по геометрии кадра, а не по метаданным: ширина кадра у позвоночника около 300 пикселей, у бедра около 280. Порог привязан к текущему оборудованию — это ограничение.</span></dd>
</dl>
<h4>Разметка</h4>
<dl class="defs">
<dt>Экспертная таблица</dt>
<dd>Файл <code>разметка.xlsx</code>: по каждому исследованию отмечены критерии — укладка, ось, артефакты для позвоночника; позиционирование и область интереса для каждого бедра; плюс итог по области и комментарий.
<span class="why">Значение 1 в критерии означает нарушение, хотя часть заголовков сформулирована положительно. Проверено: итог области равен логическому ИЛИ критериев (бёдра 72/72 и 78/78, позвоночник 96/99).</span></dd>
<dt>Единица разметки</dt>
<dd>То, к чему относится метка. Таблица описывает исследование, решение работает со снимками.
<span class="why">Ключевое свойство набора: после склейки дублей каждая область встречается в исследовании ровно один раз, поэтому вердикт переносится на снимок области однозначно.</span></dd>
<dt>Правило метки <span class="tag">table / union</span></dt>
<dd>Как из оценки получается метка снимка. <code>table</code> — только экспертная таблица (принято), <code>union</code> — таблица и служебные пометки, проставленные при подготовке набора.
<span class="why">Выбрано измерением: <code>table</code> дал ROC-AUC 0.6764 против 0.6199, преимущество на всех пяти seed'ах. Есть третье правило, <code>expert</code>: только снимки с экспертной оценкой — оно служит эталоном при оценке, а не для обучения.</span></dd>
<dt>quality_class</dt>
<dd>Бинарный класс: 0 — качественное изображение, 1 — есть нарушение. Это итоговое решение модели.</dd>
<dt>Пригоден / непригоден</dt>
<dd>Формулировка того же решения словами. «Пригоден» означает, что нет видимых причин мешать специалисту выполнить дальнейший анализ; это не значит, что снимок диагностически нормален.
<span class="why">Правило методики: если хотя бы один существенный пункт нарушен или не подтверждается по изображению, снимок непригоден. Сомнительные случаи не пропускаются.</span></dd>
<dt>violation_type</dt>
<dd>Тип нарушения — строка, перечень через точку с запятой, словарь канонический и единый для решения, отчёта DICOM SR и интерфейса.
<span class="why">Пять кодов кодирует экспертная таблица: positioning, axis_deviation, artifact, rotation, roi_incorrect. Ещё три задаёт методика: motion, incomplete_anatomy, labeling_error. Плюс unspecified — нарушение без уточнения.</span></dd>
<dt>Эвристика</dt>
<dd>Правило, а не обученная модель. Тип нарушения определяется эвристикой по метрикам снимка, потому что модель бинарная.
<span class="why">В интерфейсе это помечено пометкой «эвристика» с пояснением: показывать предположение как заключение нельзя.</span></dd>
<dt>Зеркалирование стороны бедра</dt>
<dd>Ситуация, когда в исследовании снят один снимок бедра, а в таблице заполнен столбец противоположной стороны — 6 исследований из 7 с одним бедром.
<span class="why">Логика: снимок один и заполненный столбец один — они соответствуют друг другу. Факт переноса фиксируется флагом; теги латеральности в DICOM пусты, поэтому сторону иначе не проверить.</span></dd>
</dl>
<h4>Модель и обучение</h4>
<dl class="defs">
<dt>Линейный зонд <span class="tag">linear probe</span></dt>
<dd>Режим, при котором свёрточная часть сети заморожена и обучается только линейный слой поверх её признаков.
<span class="why">На двухстах снимках полное дообучение переобучается: train F1 уходит в единицу при случайном AUC на валидации. Обучаемых параметров остаются тысячи вместо миллионов.</span></dd>
<dt>Frozen backbone и BatchNorm</dt>
<dd>При заморозке отключается не только градиент, но и train-режим слоёв нормализации: иначе бегущие статистики продолжают меняться на обучающих батчах и входной слой получает не те данные, на которых калибровался.</dd>
<dt>Препроцессинг</dt>
<dd>Один путь для обучения и API: прочитать DICOM с учётом наклона и инверсии, привести к диапазону по перцентилям 0.5–99.5, увеличить до 224×224, повторить в три канала, нормировать по статистикам ImageNet.
<span class="why">Перцентили вместо минимума-максимума: одиночные яркие пиксели (металл, метка оператора) иначе сжимают весь диапазон.</span></dd>
<dt>Порог по логиту</dt>
<dd>Решающее правило сравнивает логит с порогом, который подобран по F1 на валидации и хранится в чекпоинте вместе с весами (у рабочего — логит −0.493, вероятность 0.379).
<span class="why">Почему не 0.5: вероятности насыщаются, и фиксированный порог давал почти нулевой recall при доле нарушений около 30 %.</span></dd>
<dt>Аугментация</dt>
<dd>Случайные искажения при обучении. Здесь отключена по умолчанию.
<span class="why">Причина содержательная: яркость и положение снимка сами являются признаками качества, поэтому искажать их — значит уничтожать целевую информацию. Проверено: включение роняло AUC с 0.87 до 0.56.</span></dd>
<dt>Разбиение по исследованиям</dt>
<dd>Все снимки одного исследования попадают только в одну часть — обучение или валидацию.
<span class="why">Иначе получается утечка: снимки одного пациента похожи, и качество на валидации оказывается завышенным.</span></dd>
<dt>Зафиксированное разбиение</dt>
<dd>Файл со списком исследований валидации, который не пересчитывается при смене правил разметки.
<span class="why">Разбиение стратифицируется по наличию нарушений, а оно зависит от меток. Без фиксации варианты сравнивались бы на разных наборах.</span></dd>
<dt>Эталон оценки</dt>
<dd>Разметка, по которой считается качество: в нашем случае — вердикт эксперта, взятый только на снимках с экспертной оценкой.
<span class="why">Оценивать вариант на его же метках — круговое сравнение. Эталон один и тот же для всех вариантов.</span></dd>
</dl>
<h4>Метрики</h4>
<dl class="defs">
<dt>ROC-AUC</dt>
<dd>Вероятность, что случайно взятый снимок с нарушением получит более высокий балл, чем случайно взятый качественный. Не зависит от порога, поэтому это основная метрика сравнения.</dd>
<dt>PR-AUC</dt>
<dd>Площадь под кривой точность-полнота. Чувствительна к доле положительного класса: при 30 % нарушений базовый уровень — 0.30, поэтому сравнивать её между наборами с разной долей нельзя.</dd>
<dt>F1, precision, recall</dt>
<dd>F1 — среднее гармоническое точности и полноты. Recall — какая доля нарушений найдена, precision — какая доля тревог подтверждается.
<span class="why">В нашей задаче пропустить нарушение дороже, чем отправить снимок на ручную проверку.</span></dd>
<dt>Доверительный интервал 95 %</dt>
<dd>Диапазон, в котором с вероятностью 95 % лежит истинное значение. Здесь интервалы считаются по пяти seed'ам обучения через распределение Стьюдента.
<span class="why">Чего он не покрывает: неопределённость самой разметки. Поэтому интервал по seed'ам не заменяет независимый тест на закрытом наборе.</span></dd>
<dt>Парная разница</dt>
<dd>Разность метрик двух вариантов, посчитанная для каждого seed'а отдельно и затем усреднённая.
<span class="why">Варианты обучались на одном разбиении и одном seed'е, поэтому разброс обучения вычитается и видно эффект самого правила.</span></dd>
</dl>
<h4>Инженерия и эксплуатация</h4>
<dl class="defs">
<dt>Контейнеризация</dt>
<dd>Решение поставляется образом с зафиксированными версиями зависимостей; запуск — скриптом в Linux и UNIX-подобных системах. Веса монтируются при запуске, данные в образ не попадают.</dd>
<dt>Офлайн-работа</dt>
<dd>Медицинские изображения не покидают контур: ни внешних сервисов, ни обращений к CDN. Стили и шрифты интерфейса лежат локально.
<span class="why">Это требование методики, а не оптимизация; оно ограничило и выбор способа разметки.</span></dd>
<dt>processing_status</dt>
<dd>Поле отчёта: <code>Success</code> или <code>Failure</code>. Необработанных исключений быть не должно — любая ошибка фиксируется в строке результата.</dd>
<dt>DICOM SR</dt>
<dd>Structured Report — текстовое структурированное представление результата.
<span class="why">Оговорка: полноценного справочника SNOMED для контролёра качества DXA в наборе нет, поэтому числовые коды условные, и рядом всегда идёт текстовая формулировка.</span></dd>
<dt>Чекпоинт</dt>
<dd>Файл с весами, порогом, параметрами препроцессинга и метаданными: на какой разметке обучен, по какому разбиению, с каким seed'ом.
<span class="why">Самодостаточность важна: инференс не может рассинхронизироваться с обучением, а по файлу видно, что именно работает.</span></dd>
</dl>
</section>
</div>
<!-- ============================ ВАРИАНТ 3 ============================ -->
<div class="panel" id="p3">
<section class="card">
<h2>Полная техническая выкладка
<span class="sub">Для вопросов «а как именно» и для инженера, который будет разворачивать решение.</span>
</h2>
<h3>1. Требования и что именно решается</h3>
<ul>
<li><strong>Объект:</strong> поясничный отдел позвоночника и проксимальный отдел бедренной кости.</li>
<li><strong>Решение:</strong> бинарная классификация — пригоден (0) или есть нарушение (1) — плюс определение анатомической области и типа нарушения.</li>
<li><strong>Вход:</strong> DICOM без разметки; в исследовании до трёх изображений.</li>
<li><strong>Выход:</strong> XLSX или CSV, одна строка на снимок: <code>path_to_study, study_uid, image_uid, anatomical_region, quality_class, violation_type, processing_status, time_of_processing</code>.</li>
<li><strong>Приоритетные метрики:</strong> F1 и ROC-AUC с 95 % доверительными интервалами.</li>
<li><strong>Ограничения:</strong> офлайн, контейнеризация, до трёх минут на исследование, воспроизводимость, отсутствие необработанных исключений.</li>
</ul>
<h3>2. Данные: состав</h3>
<table>
<thead><tr><th>Показатель</th><th class="num">Значение</th></tr></thead>
<tbody>
<tr><td>Файлов DICOM на диске</td><td class="num">544</td></tr>
<tr><td>Уникальных снимков (по пикселям)</td><td class="num">252</td></tr>
<tr><td>Исследований</td><td class="num">100</td></tr>
<tr><td>Снимков: позвоночник / бедро R / бедро L / неопределено</td><td class="num">99 / 79 / 73 / 1</td></tr>
<tr><td>Нарушений по экспертной таблице</td><td class="num">74 (29.4 %)</td></tr>
<tr><td>Нарушений в обучающей разметке</td><td class="num">77 (30.6 %)</td></tr>
<tr><td>Снимков без экспертной оценки</td><td class="num">3</td></tr>
</tbody>
</table>
<h4>Аномалии, повлиявшие на решения</h4>
<ul>
<li><strong>Дубли.</strong> Один кадр сохранён многократно; склейка по хешу пиксельных данных.</li>
<li><strong>Конфликт имён внутри одной группы дублей.</strong> Два файла одного и того же снимка названы как разные области, поэтому область определяется голосованием по именам; при равенстве голосов остаётся неопределённой (такой снимок один).</li>
<li><strong>Имя каталога ≠ StudyInstanceUID.</strong> Таблица ссылается на каталог, в DICOM лежит другой идентификатор; соответствие один к одному, 100 из 100.</li>
<li><strong>Пустые теги латеральности.</strong> Метаданных о стороне бедра нет.</li>
<li><strong>Разметки ROI нет.</strong> Ни <code>OverlayData</code>, ни <code>GraphicAnnotationSequence</code>.</li>
<li><strong>Служебные пометки в данных.</strong> Метки из них не строятся — правило выбрано измерением (§5); имена приведены к единому виду отдельным инструментом (§7).</li>
</ul>
<h3>3. Семантика экспертной таблицы</h3>
<p>Две строки заголовков, данные с третьей. Столбцы 2–4 — критерии позвоночника (укладка, ось, артефакты), 5–6 и 7–8 — позиционирование и область интереса для правого и левого бедра, 9–11 — итоги по областям, 12 — комментарий.</p>
<div class="ok">
<strong>Значение <code>1</code> в критерии означает нарушение</strong>, хотя часть заголовков сформулирована положительно («корректная укладка»). Проверено на данных: итог области равен логическому ИЛИ критериев — для бёдер 72/72 и 78/78, для позвоночника 96/99. Три расхождения позвоночника трактуются как нарушение, что соответствует правилу «хотя бы один существенный пункт нарушен».
</div>
<p>Заполненность: позвоночник 99 из 100 исследований, бедро R 72, бедро L 78; комментарий есть у 23 исследований.</p>
<h3>4. Как построена разметка на уровне снимка</h3>
<ol>
<li><strong>Ключ склейки</strong> — имя каталога исследования, а не тег DICOM.</li>
<li><strong>Склейка дублей</strong> по хешу пиксельных данных: 544 файла → 252 снимка.</li>
<li><strong>Область</strong> — голосование по именам файлов одной группы изображений.</li>
<li><strong>Перенос вердикта</strong> — оценка области переносится на её снимок. Основание: каждая область встречается в исследовании ровно один раз.</li>
<li><strong>Зеркалирование стороны.</strong> В 71 из 72 исследований с двумя бёдрами столбцы совпадают с именами файлов. В 7 исследованиях снят один снимок бедра, и в 6 из них заполнен столбец противоположной стороны: раз снимок один и заполненный столбец один, они соответствуют друг другу. Перенос фиксируется флагом <code>laterality_mirrored</code>.</li>
<li><strong>Тип нарушения</strong> берётся только из структурированных критериев. Комментарии («сколиоз», «эндо протезирование ТБС») сохранены дословно и в код не перекладываются.</li>
<li><strong>Три снимка</strong>, по которым таблица область не оценивала, получают метку из служебной пометки и помечены <code>filename_fallback</code> — иначе они остались бы без метки вообще.</li>
</ol>
<p>Результат: <code>labels/labels_images.csv</code> (и XLSX) — 252 строки, 175 качественных и 77 с нарушениями.</p>
<h3>5. Выбор правила метки: измерение</h3>
<p>Правило «только таблица» против «таблица плюс служебные пометки при подготовке набора». Пометки расходились с оценкой эксперта в 15 случаях из 252, поэтому выбор делался измерением: одно фиксированное разбиение, пять seed'ов, один эталон (вердикт эксперта на снимках валидации).</p>
<table>
<thead><tr><th>Метрика (эталон)</th><th class="num">только таблица</th><th class="num">со служебными пометками</th></tr></thead>
<tbody>
<tr><td>ROC-AUC</td><td class="num"><strong>0.6764</strong> [0.6309, 0.7218]</td><td class="num">0.6199 [0.5840, 0.6559]</td></tr>
<tr><td>PR-AUC</td><td class="num"><strong>0.4759</strong> [0.4141, 0.5377]</td><td class="num">0.4046 [0.3702, 0.4391]</td></tr>
<tr><td>F1</td><td class="num"><strong>0.5676</strong> [0.5270, 0.6082]</td><td class="num">0.5426 [0.5073, 0.5778]</td></tr>
<tr><td>Recall / Precision</td><td class="num">0.700 / 0.486</td><td class="num">0.863 / 0.404</td></tr>
</tbody>
</table>
<table>
<thead><tr><th>Парная разница (таблица − с пометками)</th><th class="num">Δ, среднее [95 % ДИ]</th><th>Знаки по seed'ам</th></tr></thead>
<tbody>
<tr><td>ROC-AUC</td><td class="num"><strong>+0.0564</strong> [+0.0403, +0.0725]</td><td><code>+++++</code></td></tr>
<tr><td>PR-AUC</td><td class="num"><strong>+0.0713</strong> [+0.0398, +0.1028]</td><td><code>+++++</code></td></tr>
<tr><td>F1</td><td class="num">+0.0251 [−0.0056, +0.0558]</td><td><code>+++-+</code></td></tr>
<tr><td>Precision</td><td class="num">+0.0815 [+0.0590, +0.1039]</td><td><code>+++++</code></td></tr>
</tbody>
</table>
<pre><code>./run.sh split # зафиксировать разбиение (стратификация по эталону)
./run.sh compare # 5 seed'ов × 2 варианта, отчёт models/compare_rules/rule_comparison.md</code></pre>
<div class="warn">
<strong>Оговорка.</strong> Эталон — та же экспертная таблица, на которой обучался победивший вариант, поэтому сравнение частично ему благоприятствует. Значимый вывод другой: добавление служебных пометок <em>снижает</em> согласие модели с экспертом на невиданных исследованиях.
</div>
<h3>6. Словарь типов нарушений</h3>
<table>
<thead><tr><th>Код</th><th>Подпись</th><th>Область</th><th>Источник</th></tr></thead>
<tbody>
<tr><td><code>positioning</code></td><td>Некорректная укладка</td><td>позвоночник</td><td><span class="tag table">таблица</span></td></tr>
<tr><td><code>axis_deviation</code></td><td>Отклонение оси</td><td>позвоночник</td><td><span class="tag table">таблица</span></td></tr>
<tr><td><code>artifact</code></td><td>Артефакты и импланты</td><td>любая</td><td><span class="tag table">таблица</span></td></tr>
<tr><td><code>rotation</code></td><td>Ротация, позиционирование</td><td>бедро</td><td><span class="tag table">таблица</span></td></tr>
<tr><td><code>roi_incorrect</code></td><td>Некорректная область интереса</td><td>любая</td><td><span class="tag table">таблица</span></td></tr>
<tr><td><code>motion</code></td><td>Движение, размытие</td><td>любая</td><td><span class="tag cond">методика</span></td></tr>
<tr><td><code>incomplete_anatomy</code></td><td>Анатомия видна не полностью</td><td>любая</td><td><span class="tag cond">методика</span></td></tr>
<tr><td><code>labeling_error</code></td><td>Ошибка разметки</td><td>позвоночник</td><td><span class="tag cond">методика</span></td></tr>
<tr><td><code>unspecified</code></td><td>Нарушение без уточнения</td><td>любая</td><td><span class="tag">служебный</span></td></tr>
</tbody>
</table>
<p class="src">Распределение в разметке: rotation 36, artifact 17, axis_deviation 10, roi_incorrect 7, positioning 6, unspecified 5.</p>
<div class="warn">
<strong>Словарь раньше существовал в трёх копиях</strong> — в модуле инференса, в API и в JavaScript интерфейса, — и ни один из них не знал кодов экспертной таблицы: в интерфейсе они показывались как есть. Теперь словарь один (<code>src/dxa/violations.py</code>), подписи отдаёт сервер, старые значения приводятся к канону.
</div>
<h3>7. Гигиена данных: имена файлов</h3>
<p>Отдельный инструмент приводит имена файлов к единому виду: область, две цифры номера, при наличии — пометка качества. Приведено 344 файла из 548, карта отката сохранена, разметка и метрики при этом не менялись.</p>
<pre><code>./run.sh rename # план правки, без изменений на диске
./run.sh rename --apply # выполнить; карта отката labels/rename_map.csv
./run.sh rename --rollback --apply # вернуть прежние имена</code></pre>
<p>Правка сделана после того, как разметка и метрики были посчитаны, и проверено, что она на них не влияет: набор из 252 пиксельных групп идентичен до и после, разметка не изменилась ни в одной строке. Пометки качества в именах в метках не участвуют — только как диагностический столбец.</p>
<h3>8. Предобработка</h3>
<pre><code>DICOM → pixel_array (RescaleSlope/Intercept, MONOCHROME1)
→ нормализация по перцентилям 0.5–99.5 → [0, 1]
→ ×255, uint8
→ повтор в 3 канала, билинейный resize 224×224
→ /255, нормировка по статистикам ImageNet
→ тензор (3, 224, 224) float32</code></pre>
<p>Один и тот же путь используется при обучении и в API. Обучение и API вызывают общий код предсказания, поэтому порог и препроцессинг совпадают по построению.</p>
<h3>9. Модель</h3>
<table>
<thead><tr><th>Компонент</th><th>Значение</th></tr></thead>
<tbody>
<tr><td>Backbone</td><td>ResNet18, веса ImageNet, <strong>заморожен</strong> (заморозка на всё обучение)</td></tr>
<tr><td>Классификационная голова</td><td>линейный слой, 2 класса; обучаемых параметров — тысячи</td></tr>
<tr><td>Вспомогательная голова области</td><td>вес в функции потерь 0.3</td></tr>
<tr><td>Вход</td><td>224×224, 3 канала; BatchNorm в eval-режиме</td></tr>
<tr><td>Порог</td><td>−0.4930 по логиту (вероятность 0.379), подбор по F1 на валидации</td></tr>
<tr><td>Размер чекпоинта</td><td>42.8 МБ, 11.2 млн параметров сети</td></tr>
<tr><td>Определение области</td><td>эвристика по ширине кадра (позвоночник ≈300 px, бедро ≈280 px)</td></tr>
</tbody>
</table>
<h4>Гиперпараметры по умолчанию</h4>
<ul>
<li>Эпох 100, batch 16, early stopping с терпением 25, отбор эпохи по сглаженному (окно 5) ROC-AUC.</li>
<li>Оптимизатор AdamW, lr 3e-4, weight decay 0.05 (decoupled).</li>
<li>Балансировка классов и аугментация: выключены.</li>
<li>Валидационная доля 0.2, разбиение по исследованиям, seed 42.</li>
</ul>
<h3>10. Оценка качества</h3>
<p>Фиксированное разбиение: обучение 199 снимков / 81 исследование, валидация 53 снимка / 19 исследований, 16 нарушений по эталону. Пять seed'ов.</p>
<table>
<thead><tr><th>Метрика</th><th class="num">Значение</th></tr></thead>
<tbody>
<tr><td>ROC-AUC</td><td class="num"><strong>0.6764</strong> [0.6309, 0.7218]</td></tr>
<tr><td>PR-AUC</td><td class="num">0.4759 [0.4141, 0.5377]</td></tr>
<tr><td>F1</td><td class="num">0.5676 [0.5270, 0.6082]</td></tr>
</tbody>
</table>
<table>
<thead><tr><th>Рабочий чекпоинт</th><th class="num">Значение</th></tr></thead>
<tbody>
<tr><td>Обучение / валидация</td><td class="num">199 снимков / 81 исследование — 53 снимка / 19 исследований, 16 нарушений</td></tr>
<tr><td>Эпоха / порог</td><td class="num">39 / логит −0.4930 (вероятность 0.379)</td></tr>
<tr><td>ROC-AUC / PR-AUC</td><td class="num">0.6706 / 0.4585</td></tr>
<tr><td>F1 / recall / precision</td><td class="num">0.5600 / 0.875 / 0.412</td></tr>
<tr><td>ROC-AUC по областям</td><td class="num">позвоночник 0.943, бедро R 0.576, бедро L 0.550</td></tr>
</tbody>
</table>
<div class="ok">
<strong>Это обычный прогон с seed по умолчанию, а не лучший из выборки.</strong> Его собственная валидационная ROC-AUC 0.6706 близка к среднему по пяти seed'ам 0.6764 — результат не отобран по удачности.
</div>
<h3>11. Проверка вклада модели: смотрит ли она на снимок</h3>
<p>В позвоночнике нарушений треть, у бёдер около трети, а область почти однозначно определяется шириной кадра. Отсюда вопрос: не выучила ли модель просто «область вместо качества». Проверка — сравнение с правилом «позвоночник значит нарушение».</p>
<table>
<thead><tr><th>Предиктор</th><th class="num">Общий AUC</th><th class="num">spine</th><th class="num">hip_right</th><th class="num">hip_left</th></tr></thead>
<tbody>
<tr><td>Модель</td><td class="num">0.854</td><td class="num">0.928</td><td class="num">0.861</td><td class="num">0.853</td></tr>
<tr><td>Правило «позвоночник = нарушение»</td><td class="num">0.529</td><td class="num">0.500</td><td class="num">0.500</td><td class="num">0.500</td></tr>
</tbody>
</table>
<p>Внутри областей правило не имеет подсказки и даёт ровно 0.5; модель — 0.85–0.93. Значит, она использует содержимое снимка. Оговорка: проверка считается на всём наборе, включая обучающие снимки, поэтому значения смещены вверх; она отвечает на вопрос «есть ли вклад содержимого», а не «каково качество на новых данных».</p>
<h3>12. Инференс, API и формат результата</h3>
<table>
<thead><tr><th>Метод</th><th>Путь</th><th>Назначение</th></tr></thead>
<tbody>
<tr><td>GET</td><td><code>/api/v1/health</code></td><td>статус и происхождение загруженной модели</td></tr>
<tr><td>GET</td><td><code>/api/v1/model</code></td><td>карточка решения: разметка, данные, метрики, словарь нарушений, ограничения</td></tr>
<tr><td>POST</td><td><code>/api/v1/analyze</code></td><td>анализ одного файла</td></tr>
<tr><td>POST</td><td><code>/api/v1/analyze/detailed</code></td><td>расширенный отчёт, при необходимости с маской</td></tr>
<tr><td>POST</td><td><code>/api/v1/analyze/sr</code></td><td>текстовое представление отчёта DICOM SR</td></tr>
<tr><td>POST</td><td><code>/api/v1/batch</code></td><td>пакетный анализ</td></tr>
<tr><td>POST</td><td><code>/api/v1/export</code></td><td>пакетный анализ и выгрузка XLSX</td></tr>
</tbody>
</table>
<p>Ответ анализа по одному файлу, сверх обязательных колонок: <code>confidence</code>, <code>threshold_probability</code>, <code>region_confidence</code>, <code>violation_type_label</code>, <code>violation_type_is_heuristic</code>, <code>violation_type_note</code>, <code>reason</code>, <code>metrics</code>, <code>samples</code>.</p>
<p>Ошибки не приводят к исключению: строка получает <code>processing_status = Failure</code>. Путь к чекпоинту задаётся переменной <code>DXA_MODEL_PATH</code>, чтобы контейнер не зависел от рабочего каталога.</p>
<h3>13. Скорость и системные требования</h3>
<table>
<thead><tr><th>Показатель</th><th class="num">Ускоритель (Apple MPS)</th><th class="num">CPU, 8 потоков</th></tr></thead>
<tbody>
<tr><td>Обработка одного снимка, медиана</td><td class="num">15 мс</td><td class="num">20 мс</td></tr>
<tr><td>Весь набор (544 файла)</td><td class="num">8 с</td><td class="num">—</td></tr>
<tr><td>На одно исследование (до 3 снимков)</td><td class="num">≈0.05 с</td><td class="num">≈0.06 с</td></tr>
<tr><td>Запас к бюджету 3 минуты</td><td class="num">&gt;3000×</td><td class="num">&gt;2500×</td></tr>
</tbody>
</table>
<p>Основное время уходит на декодирование DICOM и препроцессинг, а не на сеть: разница между ускорителем и процессором в пределах 1.4×. Значит, ускоритель для этой задачи не является узким местом. Минимальная конфигурация — CPU; чекпоинт занимает 43 МБ, память ограничена накладными расходами среды исполнения. Образ содержит только код и фронтенд; веса монтируются при запуске.</p>
<h3>14. Тесты и воспроизводимость</h3>
<ul>
<li><strong>208 тестов</strong> в <code>tests/</code>: разбор имён и склейка дублей, отсутствие утечки при разбиении, фиксация разбиения, разметка по таблице и три правила метки, единый словарь типов, приведение имён файлов с откатом, препроцессинг и метрики, контракт API для интерфейса.</li>
<li><strong>Три браузерных теста</strong> на живом сервере: переключение строк меняет панель деталей, ветка «нарушение» показывает пометку «эвристика», страница не обращается к внешним хостам.</li>
<li><strong>Воспроизводимость:</strong> фиксированные seed'ы, гиперпараметры в отчёте, состав разбиения в файле, происхождение модели внутри чекпоинта.</li>
<li><strong>Команды:</strong> <code>./run.sh label | rename | split | compare | train | infer | serve | test</code>.</li>
</ul>
<h3>15. Ограничения и что с ними делать</h3>
<table>
<thead><tr><th>Ограничение</th><th>Следствие</th><th>Что планируется</th></tr></thead>
<tbody>
<tr><td>Разметка выведена из оценки исследования</td><td>поштучной экспертной оценки снимков нет</td><td>разметка отдельных снимков специалистом</td></tr>
<tr><td>Мало данных: 252 снимка, 77 нарушений</td><td>широкие интервалы, закрытый набор может дать другие цифры</td><td>500+ исследований</td></tr>
<tr><td>Тип нарушения — эвристика</td><td>5 снимков имеют только «нарушение без уточнения»</td><td>мультилейбл-модель по типам</td></tr>
<tr><td>Эталон — та же таблица</td><td>сравнение правил частично благоприятствует таблице</td><td>независимая экспертная оценка снимков</td></tr>
<tr><td>Область определяется по ширине кадра</td><td>порог привязан к текущему оборудованию</td><td>калибровка по метаданным аппарата</td></tr>
<tr><td>Теги латеральности пусты</td><td>сторона бедра в 7 исследованиях не проверяема</td><td>запрос тега у источника данных</td></tr>
<tr><td>Разметки ROI нет в DICOM</td><td>корректность областей наследуется из таблицы</td><td>проверка на данных с экспортной разметкой</td></tr>
</tbody>
</table>
<h3>16. Негативный результат, который стоит упомянуть</h3>
<p>Планировалась визуальная разметка снимков локальной vision-моделью (9 млрд параметров, офлайн): это сняло бы зависимость от экспертной таблицы. На калибровке по 14 снимкам, из которых 8 заведомо с нарушениями, модель вынесла «непригоден» всем 14, включая все качественные, с шаблонными формулировками и выдуманными имплантами. Разделяющая способность — на уровне случайной.</p>
<div class="warn">
Вывод: разделяющую способность инструмента нужно проверять <em>до</em> того, как строить на нём пайплайн. Инструменты рендера снимков и контактных листов остались в проекте — они полезны для выборочной ручной проверки.
</div>
<h3>17. Быстрые ответы на неудобные вопросы</h3>
<dl class="defs">
<dt>Почему ROC-AUC 0.68 — это не много?</dt>
<dd>Двести пятьдесят снимков и разметка, выведенная из оценки исследования. На таком объёме это ожидаемый порядок; выше 0.8 означало бы утечку или подгонку.</dd>
<dt>Почему не дообучали всю сеть?</dt>
<dd>Пробовали: train уходит в единицу, валидация — к случайной. Замороженный backbone и линейная голова дают устойчивый результат.</dd>
<dt>Почему не использовать все доступные пометки?</dt>
<dd>Проверили: служебные пометки расходились с экспертом в 15 случаях из 252, и обучение с ними дало ROC-AUC 0.6199 против 0.6764 — хуже на всех пяти seed'ах.</dd>
<dt>Почему тип нарушения не от модели?</dt>
<dd>Разметки типов на уровне снимка мало, а мультилейбл на 77 нарушениях дал бы ещё более широкие интервалы. Честнее показать эвристику с пометкой, чем модель, которой нельзя верить.</dd>
<dt>Что если на вход придёт область, которой не было?</dt>
<dd>Область определяется эвристикой; при неуверенности снимок относится к неизвестной области, а решение всё равно формируется и помечается в отчёте.</dd>
<dt>Можно ли доверять метрике на закрытом наборе?</dt>
<dd>Ожидаемо близко к валидационной, но с оговорками: порог подобран на валидации, объём мал, эталон — та же таблица. Ориентир — 0.68, а не выше.</dd>
</dl>
</section>
</div>
<footer class="page">
Все числа получены из артефактов проекта. Источники: <code>labels/labels_images.csv</code>, <code>models/compare_rules/rule_comparison.md</code>, <code>models/train_report.json</code>, <code>docs/labeling.md</code>, <code>README.md</code>, <code>QWEN.md</code>.
Страница самодостаточна и не обращается к внешним ресурсам.
</footer>
</div>
<script>
// Переключение вариантов. Без JavaScript виден только первый вариант,
// поэтому в <head> есть <noscript> с показом всех трёх подряд.
(function () {
var tabs = Array.prototype.slice.call(document.querySelectorAll('.tabs button'));
var panels = Array.prototype.slice.call(document.querySelectorAll('.panel'));
tabs.forEach(function (tab) {
tab.addEventListener('click', function () {
tabs.forEach(function (t) { t.setAttribute('aria-selected', String(t === tab)); });
panels.forEach(function (p) { p.classList.toggle('active', p.id === tab.dataset.panel); });
window.scrollTo({ top: 0, behavior: 'smooth' });
});
});
})();
</script>
</body>
</html>

BIN
docs/plantuml.jar
View File

Binary file not shown.

393
docs/presentation.md
View File

@ -1,393 +0,0 @@
# DXA Quality Assessment — Документация для презентации
## Содержание
1. [Обзор проекта](#1-обзор-проекта)
2. [Проблема и актуальность](#2-проблема-и-актуальность)
3. [Техническая архитектура](#3-техническая-архитектура)
4. [Датасет и разметка](#4-датасет-и-разметка)
5. [ML-модель](#5-ml-модель)
6. [API и интеграция](#6-api-и-интеграция)
7. [Результаты](#7-результаты)
8. [Демонстрация](#8-демонстрация)
9. [Перспективы развития](#9-перспективы-развития)
---
## 1. Обзор проекта
### Что это за проект?
**DXA Quality Assessment** — это AI-сервис для автоматизированной оценки качества денситометрических исследований (DXA — Dual-energy X-ray Absorptiometry).
### Ключевые возможности
| Возможность | Описание |
|-------------|----------|
| 📥 Загрузка DICOM | Работа с медицинскими изображениями в стандартном формате |
| 🔍 Анализ качества | Оценка по критериям: позиционирование, артефакты, контраст |
| 🏷️ Классификация | Бинарная классификация: OK / Нарушение |
| 📊 Экспорт | Вывод результатов в XLSX/CSV формате |
| 🌐 REST API | Интеграция с внешними системами |
| 🖥️ Web-интерфейс | Удобная визуализация и загрузка |
### Типы анализируемых исследований
- **Позвоночник** (spine)
- **Бедро правое** (hip_right)
- **Бедро левое** (hip_left)
---
## 2. Проблема и актуальность
### Проблема
При проведении денситометрии (DXA) критически важно соблюдать стандарты качества исследования:
- ❌ Неправильное позиционирование пациента
- ❌ Артефакты движения
- ❌ Недостаточный контраст
- ❌ Неправильная укладка
Нарушение этих критериев приводит к:
- ❌ Неправильной диагностике остеопороза
- ❌ Повторным исследованиям
- ❌ Дополнительной лучевой нагрузке
- ❌ Потере времени и ресурсов
### Решение
Автоматизированная система оценки качества, которая:
- ✅ Мгновенно анализирует каждое изображение
- ✅ Выявляет конкретные нарушения
- ✅ Обеспечивает стандартизацию контроля качества
- ✅ Интегрируется в рабочий процесс рентгенолога
### Бизнес-ценность
```
Экономия времени рентгенолога: ~30-60 секунд на исследование
Снижение количества повторных исследований: до 15-20%
Повышение качества диагностики: стандартизированный контроль
```
---
## 3. Техническая архитектура
### Общая схема
```
┌─────────────┐ ┌──────────────┐ ┌─────────────┐
│ DICOM │────▶│ FastAPI │────▶│ PyTorch │
│ Файлы │ │ Server │ │ Model │
└─────────────┘ └──────────────┘ └─────────────┘
│
▼
┌──────────────┐
│ XLSX/CSV │
│ Output │
└──────────────┘
```
### Компоненты системы
| Компонент | Технология | Назначение |
|-----------|------------|------------|
| Backend | Python 3.10, FastAPI | REST API, веб-сервер |
| ML Framework | PyTorch 2.1 | Глубокое обучение |
| Модель | ResNet18 (ImageNet) | Классификация изображений |
| Обработка изображений | PIL, OpenCV | Предобработка DICOM |
| Данные | pandas, openpyxl | Работа с Excel |
| Контейнеризация | Docker | Деплой |
### Структура проекта
```
bone_2026/
├── src/
│ ├── main.py # FastAPI приложение
│ ├── dxa/
│ │ ├── dataset.py # Загрузка данных
│ │ ├── model.py # Архитектура модели
│ │ ├── train.py # Обучение
│ │ └── inference.py # Инференс
│ └── api/ # Эндпоинты
├── models/
│ └── dxa_model.pth # Обученная модель
├── dataset_hack/ # Датасет
└── requirements.txt # Зависимости
```
---
## 4. Датасет и разметка
### Источник данных
- **100 исследований** из реальной клинической практики
- **499 DICOM файлов**
- **Аннотации** в формате Excel
### Типы анатомических регионов
| Регион | Критерии оценки |
|--------|-----------------|
| Позвоночник | Укладка, Ось, Артефакты |
| Бедро (правое/левое) | Позиция, ROI |
### Классы качества
| Класс | Описание | Примерное соотношение |
|-------|----------|----------------------|
| 0 | OK (качество соответствует стандартам) | ~65% |
| 1 | Нарушение (выявлены проблемы) | ~35% |
### Пример разметки
```
Study UID | Позвоночник_итого | Бедро_прав_итого | Бедро_лев_итого | Класс
----------|-------------------|------------------|-----------------|------
1.2.840...| 0 | 1 | 0 | 1
1.2.840...| 0 | 0 | 0 | 0
```
### Разделение данных
- **Обучение**: ~80% (1146 samples)
- **Валидация**: ~20% (287 samples)
---
## 5. ML-модель
### Архитектура
```
DXAQualityClassifier (ResNet18)
├── Backbone: ResNet18 (pretrained on ImageNet)
│ └── Feature extraction: 512 dimensions
└── Classifier Head:
├── Dropout (0.3)
├── Linear (512 → 256)
├── ReLU
├── Dropout (0.3)
└── Linear (256 → 2)
```
### Входные данные
- **Размер изображения**: 224 × 224 пикселя
- **Формат**: RGB (3 канала)
- **Нормализация**: ImageNet stats
### Выходные данные
- **Класс 0**: Качество OK
- **Класс 1**: Нарушение качества
- **Confidence**: Вероятность предсказания
### Гиперпараметры обучения
| Параметр | Значение |
|----------|----------|
| Backbone | ResNet18 |
| Input size | 224 × 224 |
| Batch size | 8-16 |
| Learning rate | 1e-4 |
| Optimizer | AdamW |
| Scheduler | ReduceLROnPlateau |
| Dropout | 0.3 |
### Пример команды обучения
```bash
python src/dxa/train.py \
--epochs 10 \
--batch-size 16 \
--backbone resnet18 \
--data-root dataset_hack
```
---
## 6. API и интеграция
### REST Endpoints
| Метод | Эндпоинт | Описание |
|-------|----------|----------|
| GET | `/` | Главная страница (web UI) |
| GET | `/api/v1/health` | Проверка статуса |
| POST | `/api/v1/analyze` | Анализ одного DICOM |
| POST | `/api/v1/batch` | Пакетный анализ |
| POST | `/api/v1/export` | Анализ + экспорт XLSX |
### Пример запроса (cURL)
```bash
curl -X POST "http://localhost:8000/api/v1/analyze" \
-H "accept: application/json" \
-H "Content-Type: multipart/form-data" \
-F "file=@/path/to/image.dcm"
```
### Пример ответа
```json
{
"study_uid": "1.2.840.113619.2.110.512719.20250403090444",
"image_uid": "1.2.3.4.5.6.7.8.9",
"anatomical_region": "spine",
"quality_class": 0,
"quality_label": "OK",
"confidence": 0.9234,
"processing_status": "Success"
}
```
### Формат вывода (XLSX/CSV)
| Колонка | Описание |
|---------|----------|
| path_to_study | Путь к исследованию |
| study_uid | StudyInstanceUID |
| image_uid | SOPInstanceUID |
| anatomical_region | Регион (spine/hip) |
| quality_class | Класс (0/1) |
| violation_type | Тип нарушения |
| processing_status | Статус обработки |
| time_of_processing | Время обработки (сек) |
### Web-интерфейс
- 📤 Drag-and-drop загрузка
- 🔍 Автоматический анализ
- 📊 Визуализация результатов
- 📥 Экспорт в Excel
---
## 7. Результаты
### Метрики на валидации
| Метрика | Значение |
|---------|----------|
| Accuracy | ~84% |
| Precision | ~0.35 |
| Recall | ~0.22 |
| **F1 Score** | **~0.27** |
### Анализ результатов
```
Распределение классов в валидации:
├── OK (класс 0): ████████████████████ 65%
└── Нарушение (класс 1): ██████████ 35%
Примечание: F1 скорее всего ниже из-за
несбалансированности классов и ограниченного
количества данных (100 исследований)
```
### Время обработки
- **Одно изображение**: ~50-100 мс
- **Пакетная обработка**: зависит от размера батча
### Ограничения текущей версии
- ⚠️ Ограниченный объём данных (100 исследований)
- ⚠️ Дисбаланс классов
- ⚠️ Только бинарная классификация
- ⚠️ Требуется больше эпох обучения
### Рекомендации для улучшения
1. **Увеличение датасета**: 500+ исследований
2. **Балансировка классов**: weighted loss, oversampling
3. **Аугментация**: rotation, flip, brightness
4. **Архитектура**: EfficientNet, ViT
5. **Многоклассовая классификация**: типы нарушений
---
## 8. Демонстрация
### Сценарий использования
1. **Врач загружает DICOM файл** через web-интерфейс или API
2. **Система автоматически:**
- Определяет анатомический регион
- Анализирует качество изображения
- Классифицирует: OK / Нарушение
3. **Результат:**
- Визуализация в интерфейсе
- Excel-отчёт для дальнейшего анализа
### Пример работы
```
Вход: DICOM файл исследования позвоночника
↓
Обработка: ResNet18 классификатор
↓
Выход: {
"anatomical_region": "spine",
"quality_class": 0,
"confidence": 0.89
}
```
### Screenshots (доступны в интерфейсе)
- Загрузка файла
- Результат анализа
- Экспорт отчёта
---
## 9. Перспективы развития
### Краткосрочные улучшения
| Направление | Описание |
|-------------|----------|
| Увеличение данных | Добавить 400+ исследований |
| Классовый баланс | Weighted loss, SMOTE |
| Аугментация | Rotation, flip, brightness |
| Типы нарушений | Multiclass: позиция, артефакты, контраст |
### Среднесрочные цели
| Направление | Описание |
|-------------|----------|
| Сегментация | Выделение позвонков, бедра |
| Многозадачность | Классификация + сегментация |
| AutoML | Оптимальная архитектура |
| Мониторинг | Логирование, метрики |
### Долгосрочное видение
- 🏥 **Интеграция с PACS**
- 📱 **Мобильное приложение**
- 🤖 **Real-time анализ**
- 🌐 **Облачное решение (SaaS)**
- 📊 **Дашборд для радиологов**
---
## Контакты
| | |
|---|---|
| **Автор** | Грачев Денис |
| **Email** | denis@example.com |
| **Telegram** | @oxydencher |
| **GitHub** | github.com/yourusername |
---
*Проект разработан в рамках хакатона по медицинскому ИИ*

212
docs/slides-notes.md
View File

@ -1,212 +0,0 @@
# Презентация: AI-сервис оценки качества DXA исследований
## Слайд 1: Титульный слайд
**Заголовок:** DXA Quality Assessment
**Подзаголовок:** AI-сервис автоматизированной оценки качества денситометрических исследований
**Автор:** Грачев Денис
**Дата:** Сентябрь 2026
---
## Слайд 2: Проблема
**Заголовок:** Почему это важно?
**Ключевые тезисы:**
- До 20% исследований требуют повторного проведения из-за нарушений стандартов качества
- Рентгенологи тратят значительное время на ручную проверку
- Некачественные исследования приводят к ошибкам в диагностике остеопороза
**Проблема:** Нет автоматизированного инструмента для экспресс-оценки качества DXA исследований
---
## Слайд 3: Решение
**Заголовок:** Наше решение
**Что мы построили:**
- AI-сервис для автоматического анализа DICOM изображений
- Оценка качества по трём критериям: позиционирование, артефакты, контраст
- Бинарная классификация: OK / Нарушение
- Интеграция через REST API и web-интерфейс
**Результат:** Мгновенная оценка качества с точностью до 84%
---
## Слайд 4: Технический стек
**Заголовок:** Технологии
| Компонент | Технология |
|-----------|------------|
| Backend | Python 3.10, FastAPI |
| ML | PyTorch 2.1, ResNet18 |
| Обработка изображений | PIL, OpenCV |
| Медицинские форматы | pydicom |
| Данные | pandas, openpyxl |
| Контейнеризация | Docker |
---
## Слайд 5: Архитектура
**Заголовок:** Как это работает
```
[Пользователь] → [Web UI / API] → [FastAPI Server] → [PyTorch Model]
↓
[Excel Отчёт]
```
**Поток данных:**
1. Загрузка DICOM файла
2. Предобработка изображения (224×224, RGB)
3. Инференс модели (ResNet18)
4. Классификация (OK / Violation)
5. Формирование отчёта
---
## Слайд 6: Модель
**Заголовок:** ML-модель
**Архитектура:**
- ResNet18 (pretrained ImageNet)
- Fine-tuning под задачу бинарной классификации
- Вход: 224×224 RGB изображения
- Выход: вероятности классов [OK, Violation]
**Обучение:**
- Датасет: 100 исследований (499 DICOM)
- Разделение: 80/20 (train/val)
- Loss: CrossEntropyLoss
- Оптимизатор: AdamW
---
## Слайд 7: Результаты
**Заголовок:** Метрики
| Метрика | Значение |
|---------|----------|
| Accuracy | **84%** |
| Precision | 35% |
| Recall | 22% |
| F1 Score | 27% |
**Анализ:**
- Дисбаланс классов (65% OK / 35% Violation)
- Ограниченный объём данных
- F1 можно значительно улучшить с балансировкой
---
## Слайд 8: Демонстрация
**Заголовок:** Давайте посмотрим
**Сценарий:**
1. Открываем web-интерфейс
2. Загружаем DICOM файл
3. Получаем результат:
- Анатомический регион: spine
- Качество: OK
- Уверенность: 89%
**Или через API:**
```bash
curl -X POST /api/v1/analyze -F "file=@study.dcm"
```
---
## Слайд 9: Ограничения
**Заголовок:** Текущие ограничения
- ⚠️ Датасет: только 100 исследований
- ⚠️дисбаланс классов влияет на F1
- ⚠️ Бинарная классификация (не детализировано)
- ⚠️ Требуется больше эпох обучения
**Что нужно для production:**
- 500+ исследований
- Детальная разметка по типам нарушений
- Дополнительная аугментация
---
## Слайд 10: Перспективы
**Заголовок:** Планы развития
**Ближайшие:**
- [ ] Увеличить датасет до 500 исследований
- [ ] Добавить многоклассовую классификацию (тип нарушения)
- [ ] Внедрить weighted loss для балансировки
- [ ] Аугментация данных
**Среднесрочные:**
- [ ] Сегментация анатомических структур
- [ ] Интеграция с PACS
- [ ] Real-time мониторинг
---
## Слайд 11: Бизнес-ценность
**Заголовок:** Почему это нужно медицине?
| Параметр | До | После |
|----------|-----|-------|
| Время проверки | 30-60 сек | <1 сек |
| Повторные исследования | 15-20% | ~5% |
| Стандартизация | Ручная | Автоматическая |
**ROI:**
- Экономия времени рентгенологов
- Снижение лучевой нагрузки на пациентов
- Повышение качества диагностики
---
## Слайд 12: Контакты
**Заголовок:** Спасибо за внимание!
**Автор:** Грачев Денис
**Email:** denis@example.com
**Telegram:** @oxydencher
**GitHub:** [ссылка на репозиторий]
**Демо:** http://localhost:8000
---
## Notes для спикера
### Общие советы
1. **Начните с проблемы** — аудитория должна понять, зачем это нужно
2. **Покажите реальный пример** — демонстрация важнее слайдов
3. **Будьте честны об ограничениях** — это вызывает доверие
4. **Завершите призывом к действию** — что вы хотите от аудитории?
### Ответы на возможные вопросы
**Q: Почему такой низкий F1?**
A: Дисбаланс классов (65/35) + мало данных. С балансировкой ожидаем F1 > 0.6
**Q: Как определяется анатомический регион?**
A: Пока по размеру изображения (эвристика). В планах — отдельный классификатор
**Q: Это заменяет рентгенолога?**
A: Нет, это инструмент помощи, а не замены. Врач принимает最终ное решение
**Q: Как получить больше данных?**
A: Партнёрство с клиниками, этические согласования, анонимизация

855
docs/slides.html
View File

File diff suppressed because one or more lines are too long

111
docs/tasks_next_session.md
View File

@ -1,111 +0,0 @@
# Задачи для следующей сессии
## Сравнение текущей реализации с требованиями
### ✅ РЕАЛИЗОВАНО
| Требование | Статус | Файл |
|------------|--------|------|
| Бинарная классификация OK/Нарушение | ✅ Готово | src/dxa/model.py |
| Определение анатомической области | ✅ Готово | src/dxa/inference.py |
| Экспорт в XLSX/CSV | ✅ Готово | src/main.py /api/v1/export |
| API для пакетной обработки | ✅ Готово | src/main.py /api/v1/batch |
| Docker контейнеризация | ✅ Готово | Dockerfile |
| Web-интерфейс | ✅ Готово | src/api/static/ |
| Определение типа нарушения | ✅ Частично | src/quality/detailed_assessment.py |
| Детальные метрики качества | ✅ Готово | src/quality/detailed_assessment.py |
| Проверка движения (motion) | ✅ Готово | detect_motion_blur() |
| Проверка артефактов | ✅ Готово | detect_artifacts() |
| DICOM SR формат | ✅ Готово | /api/v1/analyze/sr |
| Визуализация маски | ✅ Готово | include_visualization=true |
---
## Мультимодельная архитектура
См. документацию: `docs/multi_model_architecture.md`
```
Pipeline:
1. Region Detector → 2. Segmentator → 3. Quality Classifier → 4. Violation Type → 5. Aggregator
```
### Модели:
| Модель | Назначение | Файл |
|--------|------------|------|
| Region Detector | Spine/Hip определение | `src/models/region_detector.py` |
| Segmentator | Сегментация костей | `src/models/segmentation/` |
| Quality Classifier | OK/Violation бинарный | `src/models/classification/quality.py` |
| Violation Classifier | Типы нарушений (7+) | `src/models/classification/violation.py` |
| Artifact Detector | Детекция артефактов | `src/models/artifacts/detector.py` |
| Grad-CAM | Heatmap внимания | `src/models/visualization/gradcam.py` |
---
## ПЛАН РЕАЛИЗАЦИИ
### Фаза 1: Архитектура и модели (высокий приоритет)
1. **Создать структуру моделей**
- `src/models/` - директория для всех моделей
- `src/pipeline/` - основной пайплайн
- `src/training/` - скрипты обучения
2. **Region Detector**
- Переиспользовать текущую логику из inference.py
- Обучить классификатор на 4 класса
3. **Segmentation Models**
- Spine Segmentator (U-Net)
- Hip Segmentator (U-Net)
4. **Quality Classifier (бинарный)**
- ResNet18 с attention
- Weighted loss для балансировки
5. **Violation Type Classifier (многоклассовый)**
- 7 классов для spine
- 7 классов для hip
- Multi-task learning
### Фаза 2: Пайплайн и интеграция
6. **Pipeline класс**
- Объединение всех моделей
- Queue для асинхронной обработки
7. **API интеграция**
- Обновить endpoints для использования пайплайна
- Batch processing
### Фаза 3: Визуализация и метрики
8. **Grad-CAM Heatmap**
- Извлечение attention карт
- Наложение на изображение
9. **Метрики**
- ROC-AUC, PR-AUC
- Macro-F1 с доверительными интервалами
---
## Текущие ограничения
1. Модель обучена на бинарную классификацию - нужно переобучение
2. F1 ~0.27 - низкий из-за дисбаланса классов
3. Датасет ~100 исследований - нужно 500+
4. Сегментация использует простой threshold - нужно дообучить модель
5. Heatmap не реализовано - требует дообучения
---
## ЗАПУСК ДЛЯ ТЕСТИРОВАНИЯ
```bash
cd /Users/denis/workspace/bone_2026
python -m uvicorn src.main:app --host 0.0.0.0 --port 8000
```
Открыть http://localhost:8000

253
labels/labels_images.csv Normal file
View File

@ -0,0 +1,253 @@
path_to_image,file,study,study_uid,image_uid,anatomical_region,quality_class,violation_type,quality_from_excel,quality_from_filename,sources_conflict,laterality_mirrored,region_ambiguous,label_rule,filename_fallback,filename_marker,expert_comment
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000,hip_left,1,rotation,1,0,1,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112,hip_right,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915,spine,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305,hip_left,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610,hip_right,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406,spine,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.108537195937431169718850276671337677972,1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310,1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907,hip_right,0,,0,0,0,1,0,table,0,,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103,spine,1,artifact,1,1,0,0,0,table,0,bad,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_03_bad.dcm,spine_03_bad.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.08101400121500101415120401040211,,1,unspecified,,1,0,0,1,table,1,bad,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.112621744005021908434051268014787122937,1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100,1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204,spine,0,,0,1,1,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.123175695355749859846173904788591707879,1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209,1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.125521310320333648427417313254965624364,1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509,1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611,hip_left,1,rotation;roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201,hip_left,1,rotation,1,0,1,0,0,table,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200,hip_right,1,rotation;roi_incorrect,1,0,1,0,0,table,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.07050602130910101513020700010509,hip_left,1,unspecified,,1,0,0,0,table,1,bad,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.02011409120209130807021302101100,hip_right,1,unspecified,,1,0,0,0,table,1,bad,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801,spine,0,,0,0,0,0,0,table,0,,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128197189461989832465575162384360009377,1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401,1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128630285053087246379265602913470285158,1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106,1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.129239680100193368599713239115902740628,1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406,1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700,hip_right,1,rotation,1,0,1,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401,hip_left,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702,hip_right,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609,hip_left,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13566237352084812982996047541944701548,1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405,1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137675513852774974135210999345676405116,1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107,1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158197739569377798130962967413133224194,1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509,1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212,spine,1,artifact,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.159930383074323525630608416881201447861,1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712,1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.169242707068684757906797344800977707240,1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005,1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209,hip_right,1,roi_incorrect,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114,spine,1,axis_deviation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm,r_hip_02.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015,hip_left,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.178533355209696795441380751187185128893,1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904,1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910,spine,1,axis_deviation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.220866240977467582196609708837940253840,1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808,1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213,hip_left,1,rotation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807,hip_right,1,rotation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908,spine,1,artifact,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311,spine,1,axis_deviation;artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269742577365511543488820993979123763373,1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404,1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006,spine,0,,0,1,1,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912,hip_left,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.306921081709806079165809721263236241032,1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705,1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514,spine,1,axis_deviation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.322202456901330781765399791024580391565,1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105,1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.338439598607961312040815816824093323492,1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912,1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310,spine,1,artifact,1,1,0,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504,spine,1,unspecified,1,1,0,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001,hip_left,0,,0,0,0,0,0,table,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813,hip_right,0,,0,0,0,0,0,table,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212,spine,1,axis_deviation;artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501,hip_left,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108,hip_right,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003,spine,1,artifact,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.52532476139575422857225834315571570912,1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509,1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110,spine,1,unspecified,1,1,0,0,0,table,0,bad,"Сколиоз, не верня разметка"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701,hip_left,0,,0,0,0,0,0,table,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509,hip_right,0,,0,0,0,0,0,table,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305,spine,1,positioning,1,0,1,0,0,table,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.54396839637320114639948764487283877793,1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405,1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.59542620917302828428419211045951914336,1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403,1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905,spine,1,artifact,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411,hip_right,1,rotation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201,hip_left,1,rotation,1,0,1,0,0,table,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907,hip_right,1,rotation,1,0,1,0,0,table,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107,spine,1,axis_deviation,1,0,1,0,0,table,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410,hip_left,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415,hip_right,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308,spine,0,,0,0,0,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814,hip_left,0,,0,0,0,0,0,table,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413,hip_right,1,rotation,1,0,1,0,0,table,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309,spine,0,,0,0,0,0,0,table,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.87718478011637131470224319788530286374,1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408,1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701,spine,1,positioning,1,0,1,0,0,table,0,,
1 path_to_image file study study_uid image_uid anatomical_region quality_class violation_type quality_from_excel quality_from_filename sources_conflict laterality_mirrored region_ambiguous label_rule filename_fallback filename_marker expert_comment
2 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000 hip_left 1 rotation 1 0 1 0 0 table 0 good
3 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112 hip_right 0 0 0 0 0 0 table 0 good
4 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915 spine 0 0 0 0 0 0 table 0 good
5 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305 hip_left 0 0 0 0 0 0 table 0 good
6 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610 hip_right 0 0 0 0 0 0 table 0 good
7 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406 spine 0 0 0 0 0 0 table 0 good
8 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402 hip_left 1 rotation 1 0 1 0 0 table 0
9 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200 hip_right 0 0 0 0 0 0 table 0
10 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115 spine 0 0 1 1 0 0 table 0 bad
11 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409 hip_left 0 0 0 0 0 0 table 0
12 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902 hip_right 0 0 0 0 0 0 table 0
13 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213 spine 0 0 0 0 0 0 table 0
14 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506 hip_left 0 0 0 0 0 0 table 0
15 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511 hip_right 1 rotation 1 0 1 0 0 table 0
16 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304 spine 1 axis_deviation 1 1 0 0 0 table 0 bad
17 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913 hip_left 0 0 0 0 0 0 table 0 сколиоз
18 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015 hip_right 0 0 0 0 0 0 table 0 сколиоз
19 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110 spine 0 0 0 0 0 0 table 0 сколиоз
20 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414 hip_left 0 0 0 0 0 0 table 0 сколиоз
21 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308 hip_right 0 0 0 0 0 0 table 0 сколиоз
22 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508 spine 0 0 0 0 0 0 table 0 сколиоз
23 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202 hip_left 0 0 0 0 0 0 table 0 сколиоз
24 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414 hip_right 0 0 0 0 0 0 table 0 сколиоз
25 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104 spine 0 0 0 0 0 0 table 0 сколиоз
26 dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.108537195937431169718850276671337677972 1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310 1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213 spine 0 0 0 0 0 0 table 0
27 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907 hip_right 0 0 0 0 1 0 table 0 правое бедро эндопротезирования
28 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103 spine 1 artifact 1 1 0 0 0 table 0 bad правое бедро эндопротезирования
29 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_03_bad.dcm spine_03_bad.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.08101400121500101415120401040211 1 unspecified 1 0 0 1 table 1 bad правое бедро эндопротезирования
30 dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.112621744005021908434051268014787122937 1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100 1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204 spine 0 0 1 1 0 0 table 0 bad сколиоз
31 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304 hip_left 1 rotation 1 0 1 0 0 table 0
32 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305 hip_right 1 rotation 1 0 1 0 0 table 0
33 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004 spine 1 artifact 1 0 1 0 0 table 0
34 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304 hip_left 0 0 0 0 0 0 table 0
35 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412 hip_right 0 0 0 0 0 0 table 0
36 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606 spine 0 0 0 0 0 0 table 0
37 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806 hip_left 1 rotation 1 0 1 0 0 table 0
38 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909 hip_right 1 rotation 1 0 1 0 0 table 0
39 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005 spine 0 0 0 0 0 0 table 0
40 dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.123175695355749859846173904788591707879 1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209 1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313 spine 0 0 0 0 0 0 table 0
41 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411 hip_left 0 0 0 0 0 0 table 0
42 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504 hip_right 0 0 0 0 0 0 table 0
43 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102 spine 0 0 0 0 0 0 table 0
44 dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.125521310320333648427417313254965624364 1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509 1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312 spine 1 positioning 1 1 0 0 0 table 0 bad
45 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611 hip_left 1 rotation;roi_incorrect 1 0 1 0 0 table 0
46 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605 hip_right 0 0 0 0 0 0 table 0
47 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307 spine 0 0 1 1 0 0 table 0 bad
48 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201 hip_left 1 rotation 1 0 1 0 0 table 0 перелом
49 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200 hip_right 1 rotation;roi_incorrect 1 0 1 0 0 table 0 перелом
50 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909 spine 1 axis_deviation 1 1 0 0 0 table 0 bad перелом
51 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.07050602130910101513020700010509 hip_left 1 unspecified 1 0 0 0 table 1 bad эндопротезирования ТБС
52 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.02011409120209130807021302101100 hip_right 1 unspecified 1 0 0 0 table 1 bad эндопротезирования ТБС
53 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801 spine 0 0 0 0 0 0 table 0 эндопротезирования ТБС
54 dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128197189461989832465575162384360009377 1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401 1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113 spine 0 0 0 0 0 0 table 0
55 dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128630285053087246379265602913470285158 1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106 1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513 spine 0 0 0 0 0 0 table 0
56 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801 hip_left 1 rotation 1 0 1 0 0 table 0
57 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410 hip_right 1 rotation 1 0 1 0 0 table 0
58 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905 spine 1 positioning 1 1 0 0 0 table 0 bad
59 dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.129239680100193368599713239115902740628 1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406 1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700 hip_right 1 rotation 1 0 1 1 0 table 0
60 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401 hip_left 1 roi_incorrect 1 0 1 0 0 table 0
61 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702 hip_right 1 roi_incorrect 1 0 1 0 0 table 0
62 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402 spine 0 0 0 0 0 0 table 0
63 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014 hip_left 0 0 0 0 0 0 table 0 сколиоз
64 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104 hip_right 0 0 0 0 0 0 table 0 сколиоз
65 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115 spine 0 0 0 0 0 0 table 0 сколиоз
66 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802 hip_left 0 0 0 0 0 0 table 0
67 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301 hip_right 0 0 0 0 0 0 table 0
68 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209 spine 0 0 1 1 0 0 table 0 bad
69 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609 hip_left 1 roi_incorrect 1 0 1 0 0 table 0
70 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111 hip_right 0 0 0 0 0 0 table 0
71 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206 spine 0 0 0 0 0 0 table 0
72 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305 hip_left 0 0 0 0 0 0 table 0
73 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304 hip_right 0 0 0 0 0 0 table 0
74 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113 spine 0 0 0 0 0 0 table 0
75 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212 hip_right 0 0 0 0 1 0 table 0
76 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908 spine 0 0 0 0 0 0 table 0
77 dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13566237352084812982996047541944701548 1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405 1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708 spine 0 0 0 0 0 0 table 0
78 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511 hip_left 0 0 0 0 0 0 table 0
79 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203 hip_right 0 0 0 0 0 0 table 0
80 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412 spine 0 0 0 0 0 0 table 0
81 dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137675513852774974135210999345676405116 1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107 1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405 spine 0 0 0 0 0 0 table 0
82 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710 hip_left 0 0 0 0 0 0 table 0
83 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202 hip_right 0 0 0 0 0 0 table 0
84 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711 spine 0 0 0 0 0 0 table 0
85 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808 hip_left 0 0 0 0 0 0 table 0
86 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014 hip_right 1 rotation 1 0 1 0 0 table 0
87 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911 spine 0 0 0 0 0 0 table 0
88 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901 hip_left 1 rotation 1 0 1 0 0 table 0
89 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215 hip_right 0 0 0 0 0 0 table 0
90 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303 spine 0 0 1 1 0 0 table 0 bad
91 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414 hip_left 0 0 0 0 0 0 table 0
92 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711 hip_right 0 0 0 0 0 0 table 0
93 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904 spine 0 0 0 0 0 0 table 0
94 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004 hip_left 0 0 0 0 0 0 table 0
95 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100 hip_right 0 0 0 0 0 0 table 0
96 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809 spine 0 0 0 0 0 0 table 0
97 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810 hip_left 0 0 0 0 0 0 table 0
98 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110 hip_right 0 0 0 0 0 0 table 0
99 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515 spine 1 artifact 1 0 1 0 0 table 0
100 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213 hip_left 0 0 0 0 0 0 table 0
101 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502 hip_right 0 0 0 0 0 0 table 0
102 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515 spine 0 0 0 0 0 0 table 0
103 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506 hip_left 1 rotation 1 0 1 0 0 table 0
104 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703 hip_right 1 rotation 1 0 1 0 0 table 0
105 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204 spine 0 0 0 0 0 0 table 0
106 dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158197739569377798130962967413133224194 1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509 1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104 spine 0 0 1 1 0 0 table 0 bad
107 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315 hip_left 0 0 0 0 0 0 table 0
108 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309 hip_right 0 0 0 0 0 0 table 0
109 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212 spine 1 artifact 1 1 0 0 0 table 0 bad
110 dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.159930383074323525630608416881201447861 1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712 1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412 spine 0 0 0 0 0 0 table 0
111 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901 hip_left 0 0 0 0 0 0 table 0
112 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407 hip_right 1 rotation 1 0 1 0 0 table 0
113 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405 spine 1 positioning 1 1 0 0 0 table 0 bad
114 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111 hip_left 1 rotation 1 0 1 0 0 table 0
115 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807 hip_right 0 0 0 0 0 0 table 0
116 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203 spine 0 0 1 1 0 0 table 0 bad
117 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213 hip_right 0 0 0 0 1 0 table 0
118 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104 spine 1 artifact 1 0 1 0 0 table 0
119 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012 hip_left 0 0 0 0 0 0 table 0
120 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302 hip_right 0 0 0 0 0 0 table 0
121 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806 spine 0 0 0 0 0 0 table 0
122 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402 hip_left 0 0 0 0 0 0 table 0
123 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012 hip_right 0 0 0 0 0 0 table 0
124 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209 spine 0 0 1 1 0 0 table 0 bad
125 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109 hip_left 0 0 0 0 0 0 table 0
126 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103 hip_right 0 0 0 0 0 0 table 0
127 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004 spine 0 0 0 0 0 0 table 0
128 dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.169242707068684757906797344800977707240 1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005 1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312 spine 0 0 0 0 0 0 table 0
129 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507 hip_left 0 0 0 0 0 0 table 0
130 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700 hip_right 0 0 0 0 0 0 table 0
131 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610 spine 1 artifact 1 0 1 0 0 table 0
132 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413 hip_right 0 0 0 0 1 0 table 0
133 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410 spine 0 0 0 0 0 0 table 0
134 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306 hip_left 0 0 0 0 0 0 table 0
135 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209 hip_right 1 roi_incorrect 1 1 0 0 0 table 0 bad
136 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114 spine 1 axis_deviation 1 0 1 0 0 table 0
137 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201 hip_left 0 0 0 0 0 0 table 0 сколиоз
138 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415 hip_right 0 0 0 0 0 0 table 0 сколиоз
139 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311 spine 0 0 0 0 0 0 table 0 сколиоз
140 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109 hip_left 0 0 0 0 0 0 table 0
141 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm r_hip_02.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404 hip_right 0 0 0 0 0 0 table 0
142 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413 spine 0 0 0 0 0 0 table 0
143 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015 hip_left 0 0 1 1 0 0 table 0 bad
144 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111 hip_right 0 0 0 0 0 0 table 0
145 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215 spine 1 artifact 1 0 1 0 0 table 0
146 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711 hip_left 0 0 0 0 0 0 table 0
147 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410 hip_right 0 0 0 0 0 0 table 0
148 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412 spine 0 0 1 1 0 0 table 0 bad
149 dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.178533355209696795441380751187185128893 1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904 1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404 spine 0 0 0 0 0 0 table 0 сколиоз
150 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908 hip_left 0 0 0 0 0 0 table 0
151 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808 hip_right 0 0 0 0 0 0 table 0
152 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508 spine 0 0 0 0 0 0 table 0
153 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801 hip_left 0 0 0 0 0 0 table 0
154 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104 hip_right 0 0 0 0 0 0 table 0
155 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206 spine 0 0 0 0 0 0 table 0
156 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402 hip_left 0 0 0 0 0 0 table 0
157 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211 hip_right 0 0 0 0 0 0 table 0
158 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308 spine 0 0 0 0 0 0 table 0
159 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302 hip_left 0 0 0 0 0 0 table 0
160 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608 hip_right 1 rotation 1 0 1 0 0 table 0
161 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910 spine 1 axis_deviation 1 0 1 0 0 table 0
162 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802 hip_right 0 0 0 0 1 0 table 0
163 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801 spine 1 artifact 1 0 1 0 0 table 0
164 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312 hip_left 1 rotation 1 0 1 0 0 table 0
165 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411 hip_right 1 rotation 1 0 1 0 0 table 0
166 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104 spine 0 0 0 0 0 0 table 0
167 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710 hip_left 0 0 0 0 0 0 table 0
168 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701 hip_right 0 0 0 0 0 0 table 0
169 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609 spine 0 0 0 0 0 0 table 0
170 dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.220866240977467582196609708837940253840 1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808 1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300 spine 1 axis_deviation 1 1 0 0 0 table 0 bad
171 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213 hip_left 1 rotation 1 1 0 0 0 table 0 bad
172 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807 hip_right 1 rotation 1 1 0 0 0 table 0 bad
173 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414 spine 0 0 1 1 0 0 table 0 bad
174 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303 hip_left 0 0 0 0 0 0 table 0
175 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603 hip_right 0 0 0 0 0 0 table 0
176 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908 spine 1 artifact 1 1 0 0 0 table 0 bad
177 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501 hip_left 0 0 0 0 0 0 table 0
178 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115 hip_right 0 0 0 0 0 0 table 0
179 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311 spine 1 axis_deviation;artifact 1 0 1 0 0 table 0
180 dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269742577365511543488820993979123763373 1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404 1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304 spine 0 0 0 0 0 0 table 0 сколиоз
181 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303 hip_left 1 rotation 1 0 1 0 0 table 0
182 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406 hip_right 0 0 0 0 0 0 table 0
183 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012 spine 0 0 1 1 0 0 table 0 bad
184 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102 hip_left 0 0 0 0 0 0 table 0 сколиоз
185 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015 hip_right 0 0 0 0 0 0 table 0 сколиоз
186 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006 spine 0 0 1 1 0 0 table 0 bad сколиоз
187 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912 hip_left 1 roi_incorrect 1 0 1 0 0 table 0
188 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407 hip_right 0 0 0 0 0 0 table 0
189 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301 spine 1 artifact 1 0 1 0 0 table 0
190 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311 hip_left 0 0 0 0 0 0 table 0 сколиоз
191 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103 hip_right 0 0 0 0 0 0 table 0 сколиоз
192 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501 spine 0 0 0 0 0 0 table 0 сколиоз
193 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608 hip_left 0 0 0 0 0 0 table 0
194 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015 hip_right 0 0 0 0 0 0 table 0
195 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203 spine 1 positioning 1 1 0 0 0 table 0 bad
196 dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.306921081709806079165809721263236241032 1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705 1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313 spine 0 0 0 0 0 0 table 0
197 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409 hip_left 0 0 0 0 0 0 table 0
198 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414 hip_right 0 0 0 0 0 0 table 0
199 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011 spine 1 artifact 1 0 1 0 0 table 0
200 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015 hip_left 0 0 0 0 0 0 table 0
201 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011 hip_right 0 0 0 0 0 0 table 0
202 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514 spine 1 axis_deviation 1 0 1 0 0 table 0
203 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812 hip_left 0 0 0 0 0 0 table 0
204 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001 hip_right 0 0 0 0 0 0 table 0
205 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210 spine 0 0 0 0 0 0 table 0
206 dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.322202456901330781765399791024580391565 1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105 1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711 spine 0 0 0 0 0 0 table 0 сколиоз
207 dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.338439598607961312040815816824093323492 1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912 1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310 spine 1 artifact 1 1 0 0 0 table 0 bad сколиоз
208 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506 hip_left 0 0 0 0 0 0 table 0 сколиоз
209 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600 hip_right 0 0 0 0 0 0 table 0 сколиоз
210 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504 spine 1 unspecified 1 1 0 0 0 table 0 bad сколиоз
211 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714 hip_left 0 0 0 0 0 0 table 0
212 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308 hip_right 0 0 0 0 0 0 table 0
213 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015 spine 0 0 0 0 0 0 table 0
214 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001 hip_left 0 0 0 0 0 0 table 0 Хороший пример отклонения оси при КТ п-ка
215 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813 hip_right 0 0 0 0 0 0 table 0 Хороший пример отклонения оси при КТ п-ка
216 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514 spine 1 axis_deviation 1 1 0 0 0 table 0 bad Хороший пример отклонения оси при КТ п-ка
217 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701 hip_left 1 rotation 1 0 1 0 0 table 0
218 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106 hip_right 1 rotation 1 0 1 0 0 table 0
219 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212 spine 1 axis_deviation;artifact 1 0 1 0 0 table 0
220 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501 hip_left 1 rotation 1 0 1 0 0 table 0 Требует внимание
221 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108 hip_right 1 rotation 1 0 1 0 0 table 0 Требует внимание
222 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003 spine 1 artifact 1 0 1 0 0 table 0 Требует внимание
223 dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.52532476139575422857225834315571570912 1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509 1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110 spine 1 unspecified 1 1 0 0 0 table 0 bad Сколиоз, не верня разметка
224 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701 hip_left 0 0 0 0 0 0 table 0 L6, люмбализация
225 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509 hip_right 0 0 0 0 0 0 table 0 L6, люмбализация
226 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305 spine 1 positioning 1 0 1 0 0 table 0 L6, люмбализация
227 dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.54396839637320114639948764487283877793 1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405 1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207 spine 0 0 1 1 0 0 table 0 bad
228 dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.59542620917302828428419211045951914336 1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403 1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905 spine 1 artifact 1 1 0 0 0 table 0 bad
229 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814 hip_left 0 0 0 0 0 0 table 0
230 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301 hip_right 0 0 0 0 0 0 table 0
231 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613 spine 0 0 0 0 0 0 table 0
232 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802 hip_left 1 rotation 1 0 1 0 0 table 0
233 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411 hip_right 1 rotation 1 1 0 0 0 table 0 bad
234 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000 spine 0 0 0 0 0 0 table 0
235 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201 hip_left 1 rotation 1 0 1 0 0 table 0 Отклонение оси, нет малых вертелов
236 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907 hip_right 1 rotation 1 0 1 0 0 table 0 Отклонение оси, нет малых вертелов
237 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107 spine 1 axis_deviation 1 0 1 0 0 table 0 Отклонение оси, нет малых вертелов
238 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611 hip_left 0 0 0 0 0 0 table 0
239 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509 hip_right 0 0 0 0 0 0 table 0
240 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701 spine 0 0 0 0 0 0 table 0
241 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410 hip_left 1 rotation 1 0 1 0 0 table 0 Требует внимание
242 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415 hip_right 1 rotation 1 0 1 0 0 table 0 Требует внимание
243 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308 spine 0 0 0 0 0 0 table 0 Требует внимание
244 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814 hip_left 0 0 0 0 0 0 table 0 Хороший пример ротации
245 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413 hip_right 1 rotation 1 0 1 0 0 table 0 Хороший пример ротации
246 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309 spine 0 0 0 0 0 0 table 0 Хороший пример ротации
247 dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.87718478011637131470224319788530286374 1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408 1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809 spine 0 0 1 1 0 0 table 0 bad
248 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115 hip_left 0 0 0 0 0 0 table 0
249 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508 hip_right 0 0 0 0 0 0 table 0
250 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511 spine 1 artifact 1 0 1 0 0 table 0
251 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309 hip_left 0 0 0 0 0 0 table 0
252 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411 hip_right 0 0 0 0 0 0 table 0
253 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701 spine 1 positioning 1 0 1 0 0 table 0

BIN
labels/labels_images.xlsx Normal file
View File

Binary file not shown.

250
labels/labels_images_expert.csv Normal file
View File

@ -0,0 +1,250 @@
path_to_image,file,study,study_uid,image_uid,anatomical_region,quality_class,violation_type,quality_from_excel,quality_from_filename,sources_conflict,laterality_mirrored,region_ambiguous,label_rule,filename_fallback,filename_marker,expert_comment
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000,hip_left,1,rotation,1,0,1,0,0,expert,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112,hip_right,0,,0,0,0,0,0,expert,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915,spine,0,,0,0,0,0,0,expert,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305,hip_left,0,,0,0,0,0,0,expert,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610,hip_right,0,,0,0,0,0,0,expert,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406,spine,0,,0,0,0,0,0,expert,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304,spine,1,axis_deviation,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.108537195937431169718850276671337677972,1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310,1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907,hip_right,0,,0,0,0,1,0,expert,0,,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103,spine,1,artifact,1,1,0,0,0,expert,0,bad,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.112621744005021908434051268014787122937,1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100,1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204,spine,0,,0,1,1,0,0,expert,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.123175695355749859846173904788591707879,1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209,1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.125521310320333648427417313254965624364,1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509,1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312,spine,1,positioning,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611,hip_left,1,rotation;roi_incorrect,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201,hip_left,1,rotation,1,0,1,0,0,expert,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200,hip_right,1,rotation;roi_incorrect,1,0,1,0,0,expert,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909,spine,1,axis_deviation,1,1,0,0,0,expert,0,bad,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801,spine,0,,0,0,0,0,0,expert,0,,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128197189461989832465575162384360009377,1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401,1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128630285053087246379265602913470285158,1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106,1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905,spine,1,positioning,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.129239680100193368599713239115902740628,1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406,1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700,hip_right,1,rotation,1,0,1,1,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401,hip_left,1,roi_incorrect,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702,hip_right,1,roi_incorrect,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609,hip_left,1,roi_incorrect,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212,hip_right,0,,0,0,0,1,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13566237352084812982996047541944701548,1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405,1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137675513852774974135210999345676405116,1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107,1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158197739569377798130962967413133224194,1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509,1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212,spine,1,artifact,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.159930383074323525630608416881201447861,1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712,1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405,spine,1,positioning,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213,hip_right,0,,0,0,0,1,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.169242707068684757906797344800977707240,1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005,1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413,hip_right,0,,0,0,0,1,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209,hip_right,1,roi_incorrect,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114,spine,1,axis_deviation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm,r_hip_02.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015,hip_left,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.178533355209696795441380751187185128893,1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904,1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910,spine,1,axis_deviation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802,hip_right,0,,0,0,0,1,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.220866240977467582196609708837940253840,1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808,1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300,spine,1,axis_deviation,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213,hip_left,1,rotation,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807,hip_right,1,rotation,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908,spine,1,artifact,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311,spine,1,axis_deviation;artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269742577365511543488820993979123763373,1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404,1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006,spine,0,,0,1,1,0,0,expert,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912,hip_left,1,roi_incorrect,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203,spine,1,positioning,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.306921081709806079165809721263236241032,1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705,1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514,spine,1,axis_deviation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.322202456901330781765399791024580391565,1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105,1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711,spine,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.338439598607961312040815816824093323492,1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912,1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310,spine,1,artifact,1,1,0,0,0,expert,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506,hip_left,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600,hip_right,0,,0,0,0,0,0,expert,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504,spine,1,unspecified,1,1,0,0,0,expert,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001,hip_left,0,,0,0,0,0,0,expert,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813,hip_right,0,,0,0,0,0,0,expert,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514,spine,1,axis_deviation,1,1,0,0,0,expert,0,bad,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106,hip_right,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212,spine,1,axis_deviation;artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501,hip_left,1,rotation,1,0,1,0,0,expert,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108,hip_right,1,rotation,1,0,1,0,0,expert,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003,spine,1,artifact,1,0,1,0,0,expert,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.52532476139575422857225834315571570912,1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509,1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110,spine,1,unspecified,1,1,0,0,0,expert,0,bad,"Сколиоз, не верня разметка"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701,hip_left,0,,0,0,0,0,0,expert,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509,hip_right,0,,0,0,0,0,0,expert,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305,spine,1,positioning,1,0,1,0,0,expert,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.54396839637320114639948764487283877793,1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405,1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.59542620917302828428419211045951914336,1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403,1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905,spine,1,artifact,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802,hip_left,1,rotation,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411,hip_right,1,rotation,1,1,0,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201,hip_left,1,rotation,1,0,1,0,0,expert,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907,hip_right,1,rotation,1,0,1,0,0,expert,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107,spine,1,axis_deviation,1,0,1,0,0,expert,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701,spine,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410,hip_left,1,rotation,1,0,1,0,0,expert,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415,hip_right,1,rotation,1,0,1,0,0,expert,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308,spine,0,,0,0,0,0,0,expert,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814,hip_left,0,,0,0,0,0,0,expert,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413,hip_right,1,rotation,1,0,1,0,0,expert,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309,spine,0,,0,0,0,0,0,expert,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.87718478011637131470224319788530286374,1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408,1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809,spine,0,,0,1,1,0,0,expert,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511,spine,1,artifact,1,0,1,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309,hip_left,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411,hip_right,0,,0,0,0,0,0,expert,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701,spine,1,positioning,1,0,1,0,0,expert,0,,
1 path_to_image file study study_uid image_uid anatomical_region quality_class violation_type quality_from_excel quality_from_filename sources_conflict laterality_mirrored region_ambiguous label_rule filename_fallback filename_marker expert_comment
2 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000 hip_left 1 rotation 1 0 1 0 0 expert 0 good
3 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112 hip_right 0 0 0 0 0 0 expert 0 good
4 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915 spine 0 0 0 0 0 0 expert 0 good
5 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305 hip_left 0 0 0 0 0 0 expert 0 good
6 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610 hip_right 0 0 0 0 0 0 expert 0 good
7 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406 spine 0 0 0 0 0 0 expert 0 good
8 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402 hip_left 1 rotation 1 0 1 0 0 expert 0
9 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200 hip_right 0 0 0 0 0 0 expert 0
10 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115 spine 0 0 1 1 0 0 expert 0 bad
11 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409 hip_left 0 0 0 0 0 0 expert 0
12 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902 hip_right 0 0 0 0 0 0 expert 0
13 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213 spine 0 0 0 0 0 0 expert 0
14 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506 hip_left 0 0 0 0 0 0 expert 0
15 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511 hip_right 1 rotation 1 0 1 0 0 expert 0
16 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304 spine 1 axis_deviation 1 1 0 0 0 expert 0 bad
17 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913 hip_left 0 0 0 0 0 0 expert 0 сколиоз
18 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015 hip_right 0 0 0 0 0 0 expert 0 сколиоз
19 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110 spine 0 0 0 0 0 0 expert 0 сколиоз
20 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414 hip_left 0 0 0 0 0 0 expert 0 сколиоз
21 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308 hip_right 0 0 0 0 0 0 expert 0 сколиоз
22 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508 spine 0 0 0 0 0 0 expert 0 сколиоз
23 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202 hip_left 0 0 0 0 0 0 expert 0 сколиоз
24 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414 hip_right 0 0 0 0 0 0 expert 0 сколиоз
25 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104 spine 0 0 0 0 0 0 expert 0 сколиоз
26 dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.108537195937431169718850276671337677972 1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310 1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213 spine 0 0 0 0 0 0 expert 0
27 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907 hip_right 0 0 0 0 1 0 expert 0 правое бедро эндопротезирования
28 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103 spine 1 artifact 1 1 0 0 0 expert 0 bad правое бедро эндопротезирования
29 dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.112621744005021908434051268014787122937 1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100 1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204 spine 0 0 1 1 0 0 expert 0 bad сколиоз
30 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304 hip_left 1 rotation 1 0 1 0 0 expert 0
31 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305 hip_right 1 rotation 1 0 1 0 0 expert 0
32 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004 spine 1 artifact 1 0 1 0 0 expert 0
33 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304 hip_left 0 0 0 0 0 0 expert 0
34 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412 hip_right 0 0 0 0 0 0 expert 0
35 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606 spine 0 0 0 0 0 0 expert 0
36 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806 hip_left 1 rotation 1 0 1 0 0 expert 0
37 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909 hip_right 1 rotation 1 0 1 0 0 expert 0
38 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005 spine 0 0 0 0 0 0 expert 0
39 dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.123175695355749859846173904788591707879 1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209 1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313 spine 0 0 0 0 0 0 expert 0
40 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411 hip_left 0 0 0 0 0 0 expert 0
41 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504 hip_right 0 0 0 0 0 0 expert 0
42 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102 spine 0 0 0 0 0 0 expert 0
43 dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.125521310320333648427417313254965624364 1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509 1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312 spine 1 positioning 1 1 0 0 0 expert 0 bad
44 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611 hip_left 1 rotation;roi_incorrect 1 0 1 0 0 expert 0
45 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605 hip_right 0 0 0 0 0 0 expert 0
46 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307 spine 0 0 1 1 0 0 expert 0 bad
47 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201 hip_left 1 rotation 1 0 1 0 0 expert 0 перелом
48 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200 hip_right 1 rotation;roi_incorrect 1 0 1 0 0 expert 0 перелом
49 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909 spine 1 axis_deviation 1 1 0 0 0 expert 0 bad перелом
50 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801 spine 0 0 0 0 0 0 expert 0 эндопротезирования ТБС
51 dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128197189461989832465575162384360009377 1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401 1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113 spine 0 0 0 0 0 0 expert 0
52 dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128630285053087246379265602913470285158 1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106 1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513 spine 0 0 0 0 0 0 expert 0
53 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801 hip_left 1 rotation 1 0 1 0 0 expert 0
54 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410 hip_right 1 rotation 1 0 1 0 0 expert 0
55 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905 spine 1 positioning 1 1 0 0 0 expert 0 bad
56 dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.129239680100193368599713239115902740628 1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406 1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700 hip_right 1 rotation 1 0 1 1 0 expert 0
57 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401 hip_left 1 roi_incorrect 1 0 1 0 0 expert 0
58 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702 hip_right 1 roi_incorrect 1 0 1 0 0 expert 0
59 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402 spine 0 0 0 0 0 0 expert 0
60 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014 hip_left 0 0 0 0 0 0 expert 0 сколиоз
61 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104 hip_right 0 0 0 0 0 0 expert 0 сколиоз
62 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115 spine 0 0 0 0 0 0 expert 0 сколиоз
63 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802 hip_left 0 0 0 0 0 0 expert 0
64 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301 hip_right 0 0 0 0 0 0 expert 0
65 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209 spine 0 0 1 1 0 0 expert 0 bad
66 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609 hip_left 1 roi_incorrect 1 0 1 0 0 expert 0
67 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111 hip_right 0 0 0 0 0 0 expert 0
68 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206 spine 0 0 0 0 0 0 expert 0
69 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305 hip_left 0 0 0 0 0 0 expert 0
70 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304 hip_right 0 0 0 0 0 0 expert 0
71 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113 spine 0 0 0 0 0 0 expert 0
72 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212 hip_right 0 0 0 0 1 0 expert 0
73 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908 spine 0 0 0 0 0 0 expert 0
74 dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13566237352084812982996047541944701548 1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405 1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708 spine 0 0 0 0 0 0 expert 0
75 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511 hip_left 0 0 0 0 0 0 expert 0
76 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203 hip_right 0 0 0 0 0 0 expert 0
77 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412 spine 0 0 0 0 0 0 expert 0
78 dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137675513852774974135210999345676405116 1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107 1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405 spine 0 0 0 0 0 0 expert 0
79 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710 hip_left 0 0 0 0 0 0 expert 0
80 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202 hip_right 0 0 0 0 0 0 expert 0
81 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711 spine 0 0 0 0 0 0 expert 0
82 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808 hip_left 0 0 0 0 0 0 expert 0
83 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014 hip_right 1 rotation 1 0 1 0 0 expert 0
84 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911 spine 0 0 0 0 0 0 expert 0
85 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901 hip_left 1 rotation 1 0 1 0 0 expert 0
86 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215 hip_right 0 0 0 0 0 0 expert 0
87 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303 spine 0 0 1 1 0 0 expert 0 bad
88 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414 hip_left 0 0 0 0 0 0 expert 0
89 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711 hip_right 0 0 0 0 0 0 expert 0
90 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904 spine 0 0 0 0 0 0 expert 0
91 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004 hip_left 0 0 0 0 0 0 expert 0
92 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100 hip_right 0 0 0 0 0 0 expert 0
93 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809 spine 0 0 0 0 0 0 expert 0
94 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810 hip_left 0 0 0 0 0 0 expert 0
95 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110 hip_right 0 0 0 0 0 0 expert 0
96 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515 spine 1 artifact 1 0 1 0 0 expert 0
97 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213 hip_left 0 0 0 0 0 0 expert 0
98 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502 hip_right 0 0 0 0 0 0 expert 0
99 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515 spine 0 0 0 0 0 0 expert 0
100 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506 hip_left 1 rotation 1 0 1 0 0 expert 0
101 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703 hip_right 1 rotation 1 0 1 0 0 expert 0
102 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204 spine 0 0 0 0 0 0 expert 0
103 dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158197739569377798130962967413133224194 1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509 1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104 spine 0 0 1 1 0 0 expert 0 bad
104 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315 hip_left 0 0 0 0 0 0 expert 0
105 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309 hip_right 0 0 0 0 0 0 expert 0
106 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212 spine 1 artifact 1 1 0 0 0 expert 0 bad
107 dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.159930383074323525630608416881201447861 1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712 1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412 spine 0 0 0 0 0 0 expert 0
108 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901 hip_left 0 0 0 0 0 0 expert 0
109 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407 hip_right 1 rotation 1 0 1 0 0 expert 0
110 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405 spine 1 positioning 1 1 0 0 0 expert 0 bad
111 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111 hip_left 1 rotation 1 0 1 0 0 expert 0
112 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807 hip_right 0 0 0 0 0 0 expert 0
113 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203 spine 0 0 1 1 0 0 expert 0 bad
114 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213 hip_right 0 0 0 0 1 0 expert 0
115 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104 spine 1 artifact 1 0 1 0 0 expert 0
116 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012 hip_left 0 0 0 0 0 0 expert 0
117 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302 hip_right 0 0 0 0 0 0 expert 0
118 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806 spine 0 0 0 0 0 0 expert 0
119 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402 hip_left 0 0 0 0 0 0 expert 0
120 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012 hip_right 0 0 0 0 0 0 expert 0
121 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209 spine 0 0 1 1 0 0 expert 0 bad
122 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109 hip_left 0 0 0 0 0 0 expert 0
123 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103 hip_right 0 0 0 0 0 0 expert 0
124 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004 spine 0 0 0 0 0 0 expert 0
125 dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.169242707068684757906797344800977707240 1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005 1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312 spine 0 0 0 0 0 0 expert 0
126 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507 hip_left 0 0 0 0 0 0 expert 0
127 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700 hip_right 0 0 0 0 0 0 expert 0
128 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610 spine 1 artifact 1 0 1 0 0 expert 0
129 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413 hip_right 0 0 0 0 1 0 expert 0
130 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410 spine 0 0 0 0 0 0 expert 0
131 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306 hip_left 0 0 0 0 0 0 expert 0
132 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209 hip_right 1 roi_incorrect 1 1 0 0 0 expert 0 bad
133 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114 spine 1 axis_deviation 1 0 1 0 0 expert 0
134 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201 hip_left 0 0 0 0 0 0 expert 0 сколиоз
135 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415 hip_right 0 0 0 0 0 0 expert 0 сколиоз
136 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311 spine 0 0 0 0 0 0 expert 0 сколиоз
137 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109 hip_left 0 0 0 0 0 0 expert 0
138 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm r_hip_02.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404 hip_right 0 0 0 0 0 0 expert 0
139 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413 spine 0 0 0 0 0 0 expert 0
140 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015 hip_left 0 0 1 1 0 0 expert 0 bad
141 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111 hip_right 0 0 0 0 0 0 expert 0
142 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215 spine 1 artifact 1 0 1 0 0 expert 0
143 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711 hip_left 0 0 0 0 0 0 expert 0
144 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410 hip_right 0 0 0 0 0 0 expert 0
145 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412 spine 0 0 1 1 0 0 expert 0 bad
146 dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.178533355209696795441380751187185128893 1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904 1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404 spine 0 0 0 0 0 0 expert 0 сколиоз
147 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908 hip_left 0 0 0 0 0 0 expert 0
148 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808 hip_right 0 0 0 0 0 0 expert 0
149 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508 spine 0 0 0 0 0 0 expert 0
150 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801 hip_left 0 0 0 0 0 0 expert 0
151 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104 hip_right 0 0 0 0 0 0 expert 0
152 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206 spine 0 0 0 0 0 0 expert 0
153 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402 hip_left 0 0 0 0 0 0 expert 0
154 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211 hip_right 0 0 0 0 0 0 expert 0
155 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308 spine 0 0 0 0 0 0 expert 0
156 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302 hip_left 0 0 0 0 0 0 expert 0
157 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608 hip_right 1 rotation 1 0 1 0 0 expert 0
158 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910 spine 1 axis_deviation 1 0 1 0 0 expert 0
159 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802 hip_right 0 0 0 0 1 0 expert 0
160 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801 spine 1 artifact 1 0 1 0 0 expert 0
161 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312 hip_left 1 rotation 1 0 1 0 0 expert 0
162 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411 hip_right 1 rotation 1 0 1 0 0 expert 0
163 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104 spine 0 0 0 0 0 0 expert 0
164 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710 hip_left 0 0 0 0 0 0 expert 0
165 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701 hip_right 0 0 0 0 0 0 expert 0
166 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609 spine 0 0 0 0 0 0 expert 0
167 dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.220866240977467582196609708837940253840 1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808 1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300 spine 1 axis_deviation 1 1 0 0 0 expert 0 bad
168 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213 hip_left 1 rotation 1 1 0 0 0 expert 0 bad
169 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807 hip_right 1 rotation 1 1 0 0 0 expert 0 bad
170 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414 spine 0 0 1 1 0 0 expert 0 bad
171 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303 hip_left 0 0 0 0 0 0 expert 0
172 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603 hip_right 0 0 0 0 0 0 expert 0
173 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908 spine 1 artifact 1 1 0 0 0 expert 0 bad
174 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501 hip_left 0 0 0 0 0 0 expert 0
175 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115 hip_right 0 0 0 0 0 0 expert 0
176 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311 spine 1 axis_deviation;artifact 1 0 1 0 0 expert 0
177 dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269742577365511543488820993979123763373 1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404 1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304 spine 0 0 0 0 0 0 expert 0 сколиоз
178 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303 hip_left 1 rotation 1 0 1 0 0 expert 0
179 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406 hip_right 0 0 0 0 0 0 expert 0
180 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012 spine 0 0 1 1 0 0 expert 0 bad
181 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102 hip_left 0 0 0 0 0 0 expert 0 сколиоз
182 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015 hip_right 0 0 0 0 0 0 expert 0 сколиоз
183 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006 spine 0 0 1 1 0 0 expert 0 bad сколиоз
184 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912 hip_left 1 roi_incorrect 1 0 1 0 0 expert 0
185 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407 hip_right 0 0 0 0 0 0 expert 0
186 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301 spine 1 artifact 1 0 1 0 0 expert 0
187 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311 hip_left 0 0 0 0 0 0 expert 0 сколиоз
188 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103 hip_right 0 0 0 0 0 0 expert 0 сколиоз
189 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501 spine 0 0 0 0 0 0 expert 0 сколиоз
190 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608 hip_left 0 0 0 0 0 0 expert 0
191 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015 hip_right 0 0 0 0 0 0 expert 0
192 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203 spine 1 positioning 1 1 0 0 0 expert 0 bad
193 dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.306921081709806079165809721263236241032 1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705 1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313 spine 0 0 0 0 0 0 expert 0
194 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409 hip_left 0 0 0 0 0 0 expert 0
195 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414 hip_right 0 0 0 0 0 0 expert 0
196 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011 spine 1 artifact 1 0 1 0 0 expert 0
197 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015 hip_left 0 0 0 0 0 0 expert 0
198 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011 hip_right 0 0 0 0 0 0 expert 0
199 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514 spine 1 axis_deviation 1 0 1 0 0 expert 0
200 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812 hip_left 0 0 0 0 0 0 expert 0
201 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001 hip_right 0 0 0 0 0 0 expert 0
202 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210 spine 0 0 0 0 0 0 expert 0
203 dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.322202456901330781765399791024580391565 1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105 1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711 spine 0 0 0 0 0 0 expert 0 сколиоз
204 dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.338439598607961312040815816824093323492 1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912 1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310 spine 1 artifact 1 1 0 0 0 expert 0 bad сколиоз
205 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506 hip_left 0 0 0 0 0 0 expert 0 сколиоз
206 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600 hip_right 0 0 0 0 0 0 expert 0 сколиоз
207 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504 spine 1 unspecified 1 1 0 0 0 expert 0 bad сколиоз
208 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714 hip_left 0 0 0 0 0 0 expert 0
209 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308 hip_right 0 0 0 0 0 0 expert 0
210 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015 spine 0 0 0 0 0 0 expert 0
211 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001 hip_left 0 0 0 0 0 0 expert 0 Хороший пример отклонения оси при КТ п-ка
212 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813 hip_right 0 0 0 0 0 0 expert 0 Хороший пример отклонения оси при КТ п-ка
213 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514 spine 1 axis_deviation 1 1 0 0 0 expert 0 bad Хороший пример отклонения оси при КТ п-ка
214 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701 hip_left 1 rotation 1 0 1 0 0 expert 0
215 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106 hip_right 1 rotation 1 0 1 0 0 expert 0
216 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212 spine 1 axis_deviation;artifact 1 0 1 0 0 expert 0
217 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501 hip_left 1 rotation 1 0 1 0 0 expert 0 Требует внимание
218 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108 hip_right 1 rotation 1 0 1 0 0 expert 0 Требует внимание
219 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003 spine 1 artifact 1 0 1 0 0 expert 0 Требует внимание
220 dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.52532476139575422857225834315571570912 1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509 1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110 spine 1 unspecified 1 1 0 0 0 expert 0 bad Сколиоз, не верня разметка
221 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701 hip_left 0 0 0 0 0 0 expert 0 L6, люмбализация
222 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509 hip_right 0 0 0 0 0 0 expert 0 L6, люмбализация
223 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305 spine 1 positioning 1 0 1 0 0 expert 0 L6, люмбализация
224 dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.54396839637320114639948764487283877793 1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405 1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207 spine 0 0 1 1 0 0 expert 0 bad
225 dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.59542620917302828428419211045951914336 1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403 1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905 spine 1 artifact 1 1 0 0 0 expert 0 bad
226 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814 hip_left 0 0 0 0 0 0 expert 0
227 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301 hip_right 0 0 0 0 0 0 expert 0
228 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613 spine 0 0 0 0 0 0 expert 0
229 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802 hip_left 1 rotation 1 0 1 0 0 expert 0
230 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411 hip_right 1 rotation 1 1 0 0 0 expert 0 bad
231 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000 spine 0 0 0 0 0 0 expert 0
232 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201 hip_left 1 rotation 1 0 1 0 0 expert 0 Отклонение оси, нет малых вертелов
233 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907 hip_right 1 rotation 1 0 1 0 0 expert 0 Отклонение оси, нет малых вертелов
234 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107 spine 1 axis_deviation 1 0 1 0 0 expert 0 Отклонение оси, нет малых вертелов
235 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611 hip_left 0 0 0 0 0 0 expert 0
236 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509 hip_right 0 0 0 0 0 0 expert 0
237 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701 spine 0 0 0 0 0 0 expert 0
238 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410 hip_left 1 rotation 1 0 1 0 0 expert 0 Требует внимание
239 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415 hip_right 1 rotation 1 0 1 0 0 expert 0 Требует внимание
240 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308 spine 0 0 0 0 0 0 expert 0 Требует внимание
241 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814 hip_left 0 0 0 0 0 0 expert 0 Хороший пример ротации
242 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413 hip_right 1 rotation 1 0 1 0 0 expert 0 Хороший пример ротации
243 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309 spine 0 0 0 0 0 0 expert 0 Хороший пример ротации
244 dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.87718478011637131470224319788530286374 1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408 1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809 spine 0 0 1 1 0 0 expert 0 bad
245 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115 hip_left 0 0 0 0 0 0 expert 0
246 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508 hip_right 0 0 0 0 0 0 expert 0
247 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511 spine 1 artifact 1 0 1 0 0 expert 0
248 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309 hip_left 0 0 0 0 0 0 expert 0
249 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411 hip_right 0 0 0 0 0 0 expert 0
250 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701 spine 1 positioning 1 0 1 0 0 expert 0

BIN
labels/labels_images_expert.xlsx Normal file
View File

Binary file not shown.

253
labels/labels_images_table.csv Normal file
View File

@ -0,0 +1,253 @@
path_to_image,file,study,study_uid,image_uid,anatomical_region,quality_class,violation_type,quality_from_excel,quality_from_filename,sources_conflict,laterality_mirrored,region_ambiguous,label_rule,filename_fallback,filename_marker,expert_comment
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000,hip_left,1,rotation,1,0,1,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112,hip_right,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915,spine,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305,hip_left,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610,hip_right,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406,spine,0,,0,0,0,0,0,table,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.108537195937431169718850276671337677972,1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310,1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907,hip_right,0,,0,0,0,1,0,table,0,,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103,spine,1,artifact,1,1,0,0,0,table,0,bad,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_03_bad.dcm,spine_03_bad.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.08101400121500101415120401040211,,1,unspecified,,1,0,0,1,table,1,bad,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.112621744005021908434051268014787122937,1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100,1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204,spine,0,,0,1,1,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.123175695355749859846173904788591707879,1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209,1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.125521310320333648427417313254965624364,1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509,1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611,hip_left,1,rotation;roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201,hip_left,1,rotation,1,0,1,0,0,table,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200,hip_right,1,rotation;roi_incorrect,1,0,1,0,0,table,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.07050602130910101513020700010509,hip_left,1,unspecified,,1,0,0,0,table,1,bad,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.02011409120209130807021302101100,hip_right,1,unspecified,,1,0,0,0,table,1,bad,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801,spine,0,,0,0,0,0,0,table,0,,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128197189461989832465575162384360009377,1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401,1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128630285053087246379265602913470285158,1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106,1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.129239680100193368599713239115902740628,1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406,1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700,hip_right,1,rotation,1,0,1,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401,hip_left,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702,hip_right,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609,hip_left,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13566237352084812982996047541944701548,1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405,1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137675513852774974135210999345676405116,1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107,1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158197739569377798130962967413133224194,1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509,1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212,spine,1,artifact,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.159930383074323525630608416881201447861,1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712,1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.169242707068684757906797344800977707240,1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005,1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209,hip_right,1,roi_incorrect,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114,spine,1,axis_deviation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm,r_hip_02.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015,hip_left,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.178533355209696795441380751187185128893,1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904,1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910,spine,1,axis_deviation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802,hip_right,0,,0,0,0,1,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.220866240977467582196609708837940253840,1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808,1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213,hip_left,1,rotation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807,hip_right,1,rotation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908,spine,1,artifact,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311,spine,1,axis_deviation;artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269742577365511543488820993979123763373,1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404,1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006,spine,0,,0,1,1,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912,hip_left,1,roi_incorrect,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203,spine,1,positioning,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.306921081709806079165809721263236241032,1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705,1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514,spine,1,axis_deviation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.322202456901330781765399791024580391565,1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105,1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711,spine,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.338439598607961312040815816824093323492,1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912,1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310,spine,1,artifact,1,1,0,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506,hip_left,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600,hip_right,0,,0,0,0,0,0,table,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504,spine,1,unspecified,1,1,0,0,0,table,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001,hip_left,0,,0,0,0,0,0,table,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813,hip_right,0,,0,0,0,0,0,table,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514,spine,1,axis_deviation,1,1,0,0,0,table,0,bad,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106,hip_right,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212,spine,1,axis_deviation;artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501,hip_left,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108,hip_right,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003,spine,1,artifact,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.52532476139575422857225834315571570912,1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509,1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110,spine,1,unspecified,1,1,0,0,0,table,0,bad,"Сколиоз, не верня разметка"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701,hip_left,0,,0,0,0,0,0,table,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509,hip_right,0,,0,0,0,0,0,table,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305,spine,1,positioning,1,0,1,0,0,table,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.54396839637320114639948764487283877793,1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405,1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.59542620917302828428419211045951914336,1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403,1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905,spine,1,artifact,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802,hip_left,1,rotation,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411,hip_right,1,rotation,1,1,0,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201,hip_left,1,rotation,1,0,1,0,0,table,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907,hip_right,1,rotation,1,0,1,0,0,table,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107,spine,1,axis_deviation,1,0,1,0,0,table,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701,spine,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410,hip_left,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415,hip_right,1,rotation,1,0,1,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308,spine,0,,0,0,0,0,0,table,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814,hip_left,0,,0,0,0,0,0,table,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413,hip_right,1,rotation,1,0,1,0,0,table,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309,spine,0,,0,0,0,0,0,table,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.87718478011637131470224319788530286374,1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408,1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809,spine,0,,0,1,1,0,0,table,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511,spine,1,artifact,1,0,1,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309,hip_left,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411,hip_right,0,,0,0,0,0,0,table,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701,spine,1,positioning,1,0,1,0,0,table,0,,
1 path_to_image file study study_uid image_uid anatomical_region quality_class violation_type quality_from_excel quality_from_filename sources_conflict laterality_mirrored region_ambiguous label_rule filename_fallback filename_marker expert_comment
2 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000 hip_left 1 rotation 1 0 1 0 0 table 0 good
3 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112 hip_right 0 0 0 0 0 0 table 0 good
4 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915 spine 0 0 0 0 0 0 table 0 good
5 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305 hip_left 0 0 0 0 0 0 table 0 good
6 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610 hip_right 0 0 0 0 0 0 table 0 good
7 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406 spine 0 0 0 0 0 0 table 0 good
8 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402 hip_left 1 rotation 1 0 1 0 0 table 0
9 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200 hip_right 0 0 0 0 0 0 table 0
10 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115 spine 0 0 1 1 0 0 table 0 bad
11 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409 hip_left 0 0 0 0 0 0 table 0
12 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902 hip_right 0 0 0 0 0 0 table 0
13 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213 spine 0 0 0 0 0 0 table 0
14 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506 hip_left 0 0 0 0 0 0 table 0
15 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511 hip_right 1 rotation 1 0 1 0 0 table 0
16 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304 spine 1 axis_deviation 1 1 0 0 0 table 0 bad
17 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913 hip_left 0 0 0 0 0 0 table 0 сколиоз
18 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015 hip_right 0 0 0 0 0 0 table 0 сколиоз
19 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110 spine 0 0 0 0 0 0 table 0 сколиоз
20 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414 hip_left 0 0 0 0 0 0 table 0 сколиоз
21 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308 hip_right 0 0 0 0 0 0 table 0 сколиоз
22 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508 spine 0 0 0 0 0 0 table 0 сколиоз
23 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202 hip_left 0 0 0 0 0 0 table 0 сколиоз
24 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414 hip_right 0 0 0 0 0 0 table 0 сколиоз
25 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104 spine 0 0 0 0 0 0 table 0 сколиоз
26 dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.108537195937431169718850276671337677972 1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310 1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213 spine 0 0 0 0 0 0 table 0
27 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907 hip_right 0 0 0 0 1 0 table 0 правое бедро эндопротезирования
28 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103 spine 1 artifact 1 1 0 0 0 table 0 bad правое бедро эндопротезирования
29 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_03_bad.dcm spine_03_bad.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.08101400121500101415120401040211 1 unspecified 1 0 0 1 table 1 bad правое бедро эндопротезирования
30 dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.112621744005021908434051268014787122937 1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100 1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204 spine 0 0 1 1 0 0 table 0 bad сколиоз
31 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304 hip_left 1 rotation 1 0 1 0 0 table 0
32 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305 hip_right 1 rotation 1 0 1 0 0 table 0
33 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004 spine 1 artifact 1 0 1 0 0 table 0
34 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304 hip_left 0 0 0 0 0 0 table 0
35 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412 hip_right 0 0 0 0 0 0 table 0
36 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606 spine 0 0 0 0 0 0 table 0
37 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806 hip_left 1 rotation 1 0 1 0 0 table 0
38 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909 hip_right 1 rotation 1 0 1 0 0 table 0
39 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005 spine 0 0 0 0 0 0 table 0
40 dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.123175695355749859846173904788591707879 1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209 1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313 spine 0 0 0 0 0 0 table 0
41 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411 hip_left 0 0 0 0 0 0 table 0
42 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504 hip_right 0 0 0 0 0 0 table 0
43 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102 spine 0 0 0 0 0 0 table 0
44 dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.125521310320333648427417313254965624364 1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509 1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312 spine 1 positioning 1 1 0 0 0 table 0 bad
45 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611 hip_left 1 rotation;roi_incorrect 1 0 1 0 0 table 0
46 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605 hip_right 0 0 0 0 0 0 table 0
47 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307 spine 0 0 1 1 0 0 table 0 bad
48 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201 hip_left 1 rotation 1 0 1 0 0 table 0 перелом
49 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200 hip_right 1 rotation;roi_incorrect 1 0 1 0 0 table 0 перелом
50 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909 spine 1 axis_deviation 1 1 0 0 0 table 0 bad перелом
51 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.07050602130910101513020700010509 hip_left 1 unspecified 1 0 0 0 table 1 bad эндопротезирования ТБС
52 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.02011409120209130807021302101100 hip_right 1 unspecified 1 0 0 0 table 1 bad эндопротезирования ТБС
53 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801 spine 0 0 0 0 0 0 table 0 эндопротезирования ТБС
54 dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128197189461989832465575162384360009377 1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401 1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113 spine 0 0 0 0 0 0 table 0
55 dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128630285053087246379265602913470285158 1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106 1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513 spine 0 0 0 0 0 0 table 0
56 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801 hip_left 1 rotation 1 0 1 0 0 table 0
57 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410 hip_right 1 rotation 1 0 1 0 0 table 0
58 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905 spine 1 positioning 1 1 0 0 0 table 0 bad
59 dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.129239680100193368599713239115902740628 1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406 1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700 hip_right 1 rotation 1 0 1 1 0 table 0
60 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401 hip_left 1 roi_incorrect 1 0 1 0 0 table 0
61 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702 hip_right 1 roi_incorrect 1 0 1 0 0 table 0
62 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402 spine 0 0 0 0 0 0 table 0
63 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014 hip_left 0 0 0 0 0 0 table 0 сколиоз
64 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104 hip_right 0 0 0 0 0 0 table 0 сколиоз
65 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115 spine 0 0 0 0 0 0 table 0 сколиоз
66 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802 hip_left 0 0 0 0 0 0 table 0
67 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301 hip_right 0 0 0 0 0 0 table 0
68 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209 spine 0 0 1 1 0 0 table 0 bad
69 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609 hip_left 1 roi_incorrect 1 0 1 0 0 table 0
70 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111 hip_right 0 0 0 0 0 0 table 0
71 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206 spine 0 0 0 0 0 0 table 0
72 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305 hip_left 0 0 0 0 0 0 table 0
73 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304 hip_right 0 0 0 0 0 0 table 0
74 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113 spine 0 0 0 0 0 0 table 0
75 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212 hip_right 0 0 0 0 1 0 table 0
76 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908 spine 0 0 0 0 0 0 table 0
77 dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13566237352084812982996047541944701548 1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405 1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708 spine 0 0 0 0 0 0 table 0
78 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511 hip_left 0 0 0 0 0 0 table 0
79 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203 hip_right 0 0 0 0 0 0 table 0
80 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412 spine 0 0 0 0 0 0 table 0
81 dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137675513852774974135210999345676405116 1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107 1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405 spine 0 0 0 0 0 0 table 0
82 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710 hip_left 0 0 0 0 0 0 table 0
83 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202 hip_right 0 0 0 0 0 0 table 0
84 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711 spine 0 0 0 0 0 0 table 0
85 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808 hip_left 0 0 0 0 0 0 table 0
86 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014 hip_right 1 rotation 1 0 1 0 0 table 0
87 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911 spine 0 0 0 0 0 0 table 0
88 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901 hip_left 1 rotation 1 0 1 0 0 table 0
89 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215 hip_right 0 0 0 0 0 0 table 0
90 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303 spine 0 0 1 1 0 0 table 0 bad
91 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414 hip_left 0 0 0 0 0 0 table 0
92 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711 hip_right 0 0 0 0 0 0 table 0
93 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904 spine 0 0 0 0 0 0 table 0
94 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004 hip_left 0 0 0 0 0 0 table 0
95 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100 hip_right 0 0 0 0 0 0 table 0
96 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809 spine 0 0 0 0 0 0 table 0
97 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810 hip_left 0 0 0 0 0 0 table 0
98 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110 hip_right 0 0 0 0 0 0 table 0
99 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515 spine 1 artifact 1 0 1 0 0 table 0
100 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213 hip_left 0 0 0 0 0 0 table 0
101 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502 hip_right 0 0 0 0 0 0 table 0
102 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515 spine 0 0 0 0 0 0 table 0
103 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506 hip_left 1 rotation 1 0 1 0 0 table 0
104 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703 hip_right 1 rotation 1 0 1 0 0 table 0
105 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204 spine 0 0 0 0 0 0 table 0
106 dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158197739569377798130962967413133224194 1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509 1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104 spine 0 0 1 1 0 0 table 0 bad
107 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315 hip_left 0 0 0 0 0 0 table 0
108 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309 hip_right 0 0 0 0 0 0 table 0
109 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212 spine 1 artifact 1 1 0 0 0 table 0 bad
110 dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.159930383074323525630608416881201447861 1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712 1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412 spine 0 0 0 0 0 0 table 0
111 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901 hip_left 0 0 0 0 0 0 table 0
112 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407 hip_right 1 rotation 1 0 1 0 0 table 0
113 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405 spine 1 positioning 1 1 0 0 0 table 0 bad
114 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111 hip_left 1 rotation 1 0 1 0 0 table 0
115 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807 hip_right 0 0 0 0 0 0 table 0
116 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203 spine 0 0 1 1 0 0 table 0 bad
117 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213 hip_right 0 0 0 0 1 0 table 0
118 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104 spine 1 artifact 1 0 1 0 0 table 0
119 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012 hip_left 0 0 0 0 0 0 table 0
120 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302 hip_right 0 0 0 0 0 0 table 0
121 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806 spine 0 0 0 0 0 0 table 0
122 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402 hip_left 0 0 0 0 0 0 table 0
123 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012 hip_right 0 0 0 0 0 0 table 0
124 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209 spine 0 0 1 1 0 0 table 0 bad
125 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109 hip_left 0 0 0 0 0 0 table 0
126 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103 hip_right 0 0 0 0 0 0 table 0
127 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004 spine 0 0 0 0 0 0 table 0
128 dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.169242707068684757906797344800977707240 1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005 1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312 spine 0 0 0 0 0 0 table 0
129 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507 hip_left 0 0 0 0 0 0 table 0
130 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700 hip_right 0 0 0 0 0 0 table 0
131 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610 spine 1 artifact 1 0 1 0 0 table 0
132 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413 hip_right 0 0 0 0 1 0 table 0
133 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410 spine 0 0 0 0 0 0 table 0
134 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306 hip_left 0 0 0 0 0 0 table 0
135 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209 hip_right 1 roi_incorrect 1 1 0 0 0 table 0 bad
136 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114 spine 1 axis_deviation 1 0 1 0 0 table 0
137 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201 hip_left 0 0 0 0 0 0 table 0 сколиоз
138 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415 hip_right 0 0 0 0 0 0 table 0 сколиоз
139 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311 spine 0 0 0 0 0 0 table 0 сколиоз
140 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109 hip_left 0 0 0 0 0 0 table 0
141 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm r_hip_02.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404 hip_right 0 0 0 0 0 0 table 0
142 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413 spine 0 0 0 0 0 0 table 0
143 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015 hip_left 0 0 1 1 0 0 table 0 bad
144 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111 hip_right 0 0 0 0 0 0 table 0
145 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215 spine 1 artifact 1 0 1 0 0 table 0
146 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711 hip_left 0 0 0 0 0 0 table 0
147 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410 hip_right 0 0 0 0 0 0 table 0
148 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412 spine 0 0 1 1 0 0 table 0 bad
149 dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.178533355209696795441380751187185128893 1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904 1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404 spine 0 0 0 0 0 0 table 0 сколиоз
150 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908 hip_left 0 0 0 0 0 0 table 0
151 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808 hip_right 0 0 0 0 0 0 table 0
152 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508 spine 0 0 0 0 0 0 table 0
153 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801 hip_left 0 0 0 0 0 0 table 0
154 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104 hip_right 0 0 0 0 0 0 table 0
155 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206 spine 0 0 0 0 0 0 table 0
156 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402 hip_left 0 0 0 0 0 0 table 0
157 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211 hip_right 0 0 0 0 0 0 table 0
158 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308 spine 0 0 0 0 0 0 table 0
159 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302 hip_left 0 0 0 0 0 0 table 0
160 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608 hip_right 1 rotation 1 0 1 0 0 table 0
161 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910 spine 1 axis_deviation 1 0 1 0 0 table 0
162 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802 hip_right 0 0 0 0 1 0 table 0
163 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801 spine 1 artifact 1 0 1 0 0 table 0
164 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312 hip_left 1 rotation 1 0 1 0 0 table 0
165 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411 hip_right 1 rotation 1 0 1 0 0 table 0
166 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104 spine 0 0 0 0 0 0 table 0
167 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710 hip_left 0 0 0 0 0 0 table 0
168 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701 hip_right 0 0 0 0 0 0 table 0
169 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609 spine 0 0 0 0 0 0 table 0
170 dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.220866240977467582196609708837940253840 1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808 1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300 spine 1 axis_deviation 1 1 0 0 0 table 0 bad
171 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213 hip_left 1 rotation 1 1 0 0 0 table 0 bad
172 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807 hip_right 1 rotation 1 1 0 0 0 table 0 bad
173 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414 spine 0 0 1 1 0 0 table 0 bad
174 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303 hip_left 0 0 0 0 0 0 table 0
175 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603 hip_right 0 0 0 0 0 0 table 0
176 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908 spine 1 artifact 1 1 0 0 0 table 0 bad
177 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501 hip_left 0 0 0 0 0 0 table 0
178 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115 hip_right 0 0 0 0 0 0 table 0
179 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311 spine 1 axis_deviation;artifact 1 0 1 0 0 table 0
180 dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269742577365511543488820993979123763373 1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404 1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304 spine 0 0 0 0 0 0 table 0 сколиоз
181 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303 hip_left 1 rotation 1 0 1 0 0 table 0
182 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406 hip_right 0 0 0 0 0 0 table 0
183 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012 spine 0 0 1 1 0 0 table 0 bad
184 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102 hip_left 0 0 0 0 0 0 table 0 сколиоз
185 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015 hip_right 0 0 0 0 0 0 table 0 сколиоз
186 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006 spine 0 0 1 1 0 0 table 0 bad сколиоз
187 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912 hip_left 1 roi_incorrect 1 0 1 0 0 table 0
188 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407 hip_right 0 0 0 0 0 0 table 0
189 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301 spine 1 artifact 1 0 1 0 0 table 0
190 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311 hip_left 0 0 0 0 0 0 table 0 сколиоз
191 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103 hip_right 0 0 0 0 0 0 table 0 сколиоз
192 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501 spine 0 0 0 0 0 0 table 0 сколиоз
193 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608 hip_left 0 0 0 0 0 0 table 0
194 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015 hip_right 0 0 0 0 0 0 table 0
195 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203 spine 1 positioning 1 1 0 0 0 table 0 bad
196 dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.306921081709806079165809721263236241032 1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705 1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313 spine 0 0 0 0 0 0 table 0
197 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409 hip_left 0 0 0 0 0 0 table 0
198 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414 hip_right 0 0 0 0 0 0 table 0
199 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011 spine 1 artifact 1 0 1 0 0 table 0
200 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015 hip_left 0 0 0 0 0 0 table 0
201 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011 hip_right 0 0 0 0 0 0 table 0
202 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514 spine 1 axis_deviation 1 0 1 0 0 table 0
203 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812 hip_left 0 0 0 0 0 0 table 0
204 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001 hip_right 0 0 0 0 0 0 table 0
205 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210 spine 0 0 0 0 0 0 table 0
206 dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.322202456901330781765399791024580391565 1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105 1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711 spine 0 0 0 0 0 0 table 0 сколиоз
207 dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.338439598607961312040815816824093323492 1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912 1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310 spine 1 artifact 1 1 0 0 0 table 0 bad сколиоз
208 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506 hip_left 0 0 0 0 0 0 table 0 сколиоз
209 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600 hip_right 0 0 0 0 0 0 table 0 сколиоз
210 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504 spine 1 unspecified 1 1 0 0 0 table 0 bad сколиоз
211 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714 hip_left 0 0 0 0 0 0 table 0
212 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308 hip_right 0 0 0 0 0 0 table 0
213 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015 spine 0 0 0 0 0 0 table 0
214 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001 hip_left 0 0 0 0 0 0 table 0 Хороший пример отклонения оси при КТ п-ка
215 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813 hip_right 0 0 0 0 0 0 table 0 Хороший пример отклонения оси при КТ п-ка
216 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514 spine 1 axis_deviation 1 1 0 0 0 table 0 bad Хороший пример отклонения оси при КТ п-ка
217 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701 hip_left 1 rotation 1 0 1 0 0 table 0
218 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106 hip_right 1 rotation 1 0 1 0 0 table 0
219 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212 spine 1 axis_deviation;artifact 1 0 1 0 0 table 0
220 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501 hip_left 1 rotation 1 0 1 0 0 table 0 Требует внимание
221 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108 hip_right 1 rotation 1 0 1 0 0 table 0 Требует внимание
222 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003 spine 1 artifact 1 0 1 0 0 table 0 Требует внимание
223 dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.52532476139575422857225834315571570912 1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509 1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110 spine 1 unspecified 1 1 0 0 0 table 0 bad Сколиоз, не верня разметка
224 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701 hip_left 0 0 0 0 0 0 table 0 L6, люмбализация
225 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509 hip_right 0 0 0 0 0 0 table 0 L6, люмбализация
226 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305 spine 1 positioning 1 0 1 0 0 table 0 L6, люмбализация
227 dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.54396839637320114639948764487283877793 1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405 1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207 spine 0 0 1 1 0 0 table 0 bad
228 dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.59542620917302828428419211045951914336 1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403 1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905 spine 1 artifact 1 1 0 0 0 table 0 bad
229 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814 hip_left 0 0 0 0 0 0 table 0
230 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301 hip_right 0 0 0 0 0 0 table 0
231 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613 spine 0 0 0 0 0 0 table 0
232 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802 hip_left 1 rotation 1 0 1 0 0 table 0
233 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411 hip_right 1 rotation 1 1 0 0 0 table 0 bad
234 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000 spine 0 0 0 0 0 0 table 0
235 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201 hip_left 1 rotation 1 0 1 0 0 table 0 Отклонение оси, нет малых вертелов
236 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907 hip_right 1 rotation 1 0 1 0 0 table 0 Отклонение оси, нет малых вертелов
237 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107 spine 1 axis_deviation 1 0 1 0 0 table 0 Отклонение оси, нет малых вертелов
238 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611 hip_left 0 0 0 0 0 0 table 0
239 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509 hip_right 0 0 0 0 0 0 table 0
240 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701 spine 0 0 0 0 0 0 table 0
241 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410 hip_left 1 rotation 1 0 1 0 0 table 0 Требует внимание
242 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415 hip_right 1 rotation 1 0 1 0 0 table 0 Требует внимание
243 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308 spine 0 0 0 0 0 0 table 0 Требует внимание
244 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814 hip_left 0 0 0 0 0 0 table 0 Хороший пример ротации
245 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413 hip_right 1 rotation 1 0 1 0 0 table 0 Хороший пример ротации
246 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309 spine 0 0 0 0 0 0 table 0 Хороший пример ротации
247 dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.87718478011637131470224319788530286374 1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408 1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809 spine 0 0 1 1 0 0 table 0 bad
248 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115 hip_left 0 0 0 0 0 0 table 0
249 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508 hip_right 0 0 0 0 0 0 table 0
250 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511 spine 1 artifact 1 0 1 0 0 table 0
251 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309 hip_left 0 0 0 0 0 0 table 0
252 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411 hip_right 0 0 0 0 0 0 table 0
253 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701 spine 1 positioning 1 0 1 0 0 table 0

BIN
labels/labels_images_table.xlsx Normal file
View File

Binary file not shown.

253
labels/labels_images_union.csv Normal file
View File

@ -0,0 +1,253 @@
path_to_image,file,study,study_uid,image_uid,anatomical_region,quality_class,violation_type,quality_from_excel,quality_from_filename,sources_conflict,laterality_mirrored,region_ambiguous,filename_marker,expert_comment
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000,hip_left,1,rotation,1,0,1,0,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112,hip_right,0,,0,0,0,0,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403090444,1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304,1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915,spine,0,,0,0,0,0,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm,l_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305,hip_left,0,,0,0,0,0,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm,r_hip_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610,hip_right,0,,0,0,0,0,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm,spine_01_good.dcm,1.2.840.113619.2.110.512719.20250403092052,1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114,1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406,spine,0,,0,0,0,0,0,good,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,1.2.840.113619.2.110.512719.20250407113211,1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100,1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.10245777060263212829333021434108890537,1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915,1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.102755089973625799055786462646268820450,1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412,1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304,spine,1,axis_deviation,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.102965897799404973225419898683246248872,1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007,1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.103868781101960771917584077315578649178,1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002,1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.105033841136787477881326326053319223817,1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503,1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.108537195937431169718850276671337677972,1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310,1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907,hip_right,0,,0,0,0,1,0,,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103,spine,1,artifact,1,1,0,0,0,bad,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_03_bad.dcm,spine_03_bad.dcm,2.25.11175860580562939441493697221497597640,1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906,1.2.643.5.1.13.13.12.2.77.8252.08101400121500101415120401040211,,1,unspecified,,1,0,0,1,bad,правое бедро эндопротезирования
dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.112621744005021908434051268014787122937,1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100,1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204,spine,1,unspecified,0,1,1,0,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.114887542067602662452692698814728642117,1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113,1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.116822802042655971810859435524105064465,1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312,1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.122446767306607067205618235949445789306,1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011,1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.123175695355749859846173904788591707879,1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209,1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.124890633326693921702195356152595253940,1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500,1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.125521310320333648427417313254965624364,1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509,1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312,spine,1,positioning,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611,hip_left,1,rotation;roi_incorrect,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.126293418391331346694592071563510265596,1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515,1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201,hip_left,1,rotation,1,0,1,0,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200,hip_right,1,rotation;roi_incorrect,1,0,1,0,0,,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.127126130998341190348103034690069487890,1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211,1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909,spine,1,axis_deviation,1,1,0,0,0,bad,перелом
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.07050602130910101513020700010509,hip_left,1,unspecified,,1,0,0,0,bad,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.02011409120209130807021302101100,hip_right,1,unspecified,,1,0,0,0,bad,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.12798473087614376830819854616447908612,1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509,1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801,spine,0,,0,0,0,0,0,,эндопротезирования ТБС
dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128197189461989832465575162384360009377,1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401,1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.128630285053087246379265602913470285158,1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106,1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.128990540359421489042453547244535073735,1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800,1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905,spine,1,positioning,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.129239680100193368599713239115902740628,1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406,1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700,hip_right,1,rotation,1,0,1,1,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401,hip_left,1,roi_incorrect,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702,hip_right,1,roi_incorrect,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13069823278093578548407087310307113784,1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015,1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.132083163398091874662674590622589534350,1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412,1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.132272637351979990811754009849547633391,1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206,1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609,hip_left,1,roi_incorrect,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13325817932854000792938662637654885530,1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113,1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.134456506307367483341018281460841912845,1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003,1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212,hip_right,0,,0,0,0,1,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.135241889065705954191821710363605596815,1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209,1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13566237352084812982996047541944701548,1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405,1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137344827330550141320158285144101816664,1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103,1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.137675513852774974135210999345676405116,1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107,1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.13983650679559142983913935144968795415,1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901,1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.144941557565802351596730914409170713112,1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604,1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.145848300160680194368420189079847088556,1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111,1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.151186844055172005615813066162721550889,1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208,1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156021661584944120526934974594604520993,1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303,1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156375884487675936513403083218009333856,1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501,1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.156389075510671877606923458507011517218,1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612,1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.157462338378550185821790046400986801350,1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500,1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158197739569377798130962967413133224194,1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509,1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.158646777318759504110695916200521633609,1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004,1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212,spine,1,artifact,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.159930383074323525630608416881201447861,1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712,1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.164566280810634620154538016595892212884,1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607,1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405,spine,1,positioning,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.165091430504580219034019815337441064349,1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708,1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213,hip_right,0,,0,0,0,1,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.165355673991587715046346525964554729786,1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600,1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.167344201679287285499405412654740659745,1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800,1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.16773626720107440979805052259711419763,1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813,1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.168317503020329569414190677927680518621,1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506,1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.169242707068684757906797344800977707240,1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005,1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.172445998420765569384934552191547932566,1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512,1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413,hip_right,0,,0,0,0,1,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173731186748227489808861376513577450951,1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307,1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209,hip_right,1,roi_incorrect,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.173753313169335820519632380691065649420,1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807,1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114,spine,1,axis_deviation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175881661753775295785039265792986971602,1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014,1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm,r_hip_02.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.175903805423871105435148927871625232853,1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312,1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015,hip_left,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.17706555930735581384953296958427669848,1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205,1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.177745077805190810016231350557005569203,1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911,1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.178533355209696795441380751187185128893,1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904,1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.181196659018348153828200695057897449628,1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305,1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.184198356665635336833172191504278054074,1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214,1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.186201010600484120326273381077449377115,1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000,1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190331309633057244929837507901317950031,1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212,1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910,spine,1,axis_deviation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802,hip_right,0,,0,0,0,1,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.190807933410234695931591553323782771995,1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510,1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.215177279960644564778148238928738915103,1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808,1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.217397325224876728316360420804118329081,1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812,1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.220866240977467582196609708837940253840,1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808,1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300,spine,1,axis_deviation,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213,hip_left,1,rotation,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807,hip_right,1,rotation,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.234651502352368356456298825489565282446,1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510,1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_01_bad.dcm,2.25.247714038039430659432048101646401574824,1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100,1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908,spine,1,artifact,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269648774413746842548908998641183395622,1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815,1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311,spine,1,axis_deviation;artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.269742577365511543488820993979123763373,1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404,1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.272690031744216183651627058502316132741,1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509,1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.276415754443998872860614500027519740375,1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014,1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006,spine,1,unspecified,0,1,1,0,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912,hip_left,1,roi_incorrect,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.277752758923974029595977676354128739670,1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108,1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.286999464611662854355201599068538813496,1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214,1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.29638026465755240167985424461715024381,1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701,1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203,spine,1,positioning,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.306921081709806079165809721263236241032,1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705,1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.307021710202910067378603383388989711646,1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415,1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.309085571913348252136520206003694446566,1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206,1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514,spine,1,axis_deviation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.314147167453134440746270747484612743945,1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210,1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.322202456901330781765399791024580391565,1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105,1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711,spine,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.338439598607961312040815816824093323492,1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912,1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310,spine,1,artifact,1,1,0,0,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506,hip_left,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600,hip_right,0,,0,0,0,0,0,,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.339027809107632348165171236474821772940,1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113,1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504,spine,1,unspecified,1,1,0,0,0,bad,сколиоз
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.340839477910528898406207279980417945,1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303,1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001,hip_left,0,,0,0,0,0,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813,hip_right,0,,0,0,0,0,0,,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.37515662379281069436632838996073181551,1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308,1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514,spine,1,axis_deviation,1,1,0,0,0,bad,Хороший пример отклонения оси при КТ п-ка
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106,hip_right,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.39068163399801173920284179500049527111,1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214,1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212,spine,1,axis_deviation;artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501,hip_left,1,rotation,1,0,1,0,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108,hip_right,1,rotation,1,0,1,0,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm,spine_01.dcm,2.25.48906424954135283790354958243772558962,1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004,1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003,spine,1,artifact,1,0,1,0,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.52532476139575422857225834315571570912,1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509,1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110,spine,1,unspecified,1,1,0,0,0,bad,"Сколиоз, не верня разметка"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701,hip_left,0,,0,0,0,0,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509,hip_right,0,,0,0,0,0,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.52982400970721161435951723390541696819,1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006,1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305,spine,1,positioning,1,0,1,0,0,,"L6, люмбализация"
dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.54396839637320114639948764487283877793,1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405,1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.59542620917302828428419211045951914336,1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403,1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905,spine,1,artifact,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.65954778282254353457041255543338557112,1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405,1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802,hip_left,1,rotation,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_01_bad.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411,hip_right,1,rotation,1,1,0,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.66397484472966116002950503539482860450,1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805,1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201,hip_left,1,rotation,1,0,1,0,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907,hip_right,1,rotation,1,0,1,0,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.73070100851377917031356937075051545239,1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701,1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107,spine,1,axis_deviation,1,0,1,0,0,,"Отклонение оси, нет малых вертелов"
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.76710355977373089612172037086913478687,1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308,1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701,spine,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410,hip_left,1,rotation,1,0,1,0,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415,hip_right,1,rotation,1,0,1,0,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.78999454687125053757525542837745968726,1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404,1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308,spine,0,,0,0,0,0,0,,Требует внимание
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814,hip_left,0,,0,0,0,0,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413,hip_right,1,rotation,1,0,1,0,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.82912555346523716720160717883917565880,1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205,1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309,spine,0,,0,0,0,0,0,,Хороший пример ротации
dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm,spine_01_bad.dcm,2.25.87718478011637131470224319788530286374,1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408,1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809,spine,1,unspecified,0,1,1,0,0,bad,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.87869906212286587478854831452123526595,1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203,1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511,spine,1,artifact,1,0,1,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm,l_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309,hip_left,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm,r_hip_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411,hip_right,0,,0,0,0,0,0,,
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm,spine_01.dcm,2.25.91981043841368764114007975581101713077,1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202,1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701,spine,1,positioning,1,0,1,0,0,,
1 path_to_image file study study_uid image_uid anatomical_region quality_class violation_type quality_from_excel quality_from_filename sources_conflict laterality_mirrored region_ambiguous filename_marker expert_comment
2 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.03030811151201151502050615010000 hip_left 1 rotation 1 0 1 0 0 good
3 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.06000812101106141213041404150112 hip_right 0 0 0 0 0 0 good
4 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403090444/series_004_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403090444 1.2.643.5.1.13.13.12.2.77.8252.08110703091310150605090907130304 1.2.643.5.1.13.13.12.2.77.8252.14031015091008031013040205110915 spine 0 0 0 0 0 0 good
5 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/l_hip_01_good.dcm l_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.06140010030611061314081200121305 hip_left 0 0 0 0 0 0 good
6 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/r_hip_01_good.dcm r_hip_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09040712010609120601031410140610 hip_right 0 0 0 0 0 0 good
7 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250403092052/series_003_3_CR/DXA/CR DXA/spine_01_good.dcm spine_01_good.dcm 1.2.840.113619.2.110.512719.20250403092052 1.2.643.5.1.13.13.12.2.77.8252.06000805130607060714150602050114 1.2.643.5.1.13.13.12.2.77.8252.09050515110402090102050206010406 spine 0 0 0 0 0 0 good
8 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.10011302120900111505101501141402 hip_left 1 rotation 1 0 1 0 0
9 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.07140808121311040315101301051200 hip_right 0 0 0 0 0 0
10 dataset_hack/НД_для_обучения/Исследования/1.2.840.113619.2.110.512719.20250407113211/series_001_2_CR/DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 1.2.840.113619.2.110.512719.20250407113211 1.2.643.5.1.13.13.12.2.77.8252.02060902040212120608040605100100 1.2.643.5.1.13.13.12.2.77.8252.13101207101114060008151413130115 spine 1 unspecified 0 1 1 0 0 bad
11 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.07000215121313030213041009101409 hip_left 0 0 0 0 0 0
12 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.03081500040505121009070211080902 hip_right 0 0 0 0 0 0
13 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.10245777060263212829333021434108890537 1.2.643.5.1.13.13.12.2.77.8252.13060115000811100715140205030915 1.2.643.5.1.13.13.12.2.77.8252.14131410040814100713070401091213 spine 0 0 0 0 0 0
14 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10100907120107030904131503081506 hip_left 0 0 0 0 0 0
15 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.01140903011212140408111315130511 hip_right 1 rotation 1 0 1 0 0
16 dataset_hack/НД_для_обучения/Исследования/2.25.102755089973625799055786462646268820450/series_002_2_CR/A2504257770 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.102755089973625799055786462646268820450 1.2.643.5.1.13.13.12.2.77.8252.05091110020805070808081311010412 1.2.643.5.1.13.13.12.2.77.8252.10030113050111051002020402141304 spine 1 axis_deviation 1 1 0 0 0 bad
17 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.06050309100102041203101101110913 hip_left 0 0 0 0 0 0 сколиоз
18 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.10140807011010031112140700150015 hip_right 0 0 0 0 0 0 сколиоз
19 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.102965897799404973225419898683246248872 1.2.643.5.1.13.13.12.2.77.8252.02150001030902110114090106081007 1.2.643.5.1.13.13.12.2.77.8252.11011413051206050400150606100110 spine 0 0 0 0 0 0 сколиоз
20 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.12051209130410130502141403101414 hip_left 0 0 0 0 0 0 сколиоз
21 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.15031208100010080909150509041308 hip_right 0 0 0 0 0 0 сколиоз
22 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.103868781101960771917584077315578649178 1.2.643.5.1.13.13.12.2.77.8252.01081208070113050704060608151002 1.2.643.5.1.13.13.12.2.77.8252.08120904010605130814050710080508 spine 0 0 0 0 0 0 сколиоз
23 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.14130208070502001411050502150202 hip_left 0 0 0 0 0 0 сколиоз
24 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.11131406091213131205130612021414 hip_right 0 0 0 0 0 0 сколиоз
25 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.105033841136787477881326326053319223817 1.2.643.5.1.13.13.12.2.77.8252.07010502020008121005080211011503 1.2.643.5.1.13.13.12.2.77.8252.00071307071102020311080215100104 spine 0 0 0 0 0 0 сколиоз
26 dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.108537195937431169718850276671337677972 1.2.643.5.1.13.13.12.2.77.8252.00011402030913150507081413120310 1.2.643.5.1.13.13.12.2.77.8252.14031513011512070711151413071213 spine 0 0 0 0 0 0
27 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.12051512011202090502051206130907 hip_right 0 0 0 0 1 0 правое бедро эндопротезирования
28 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.11051001091403121310010813110103 spine 1 artifact 1 1 0 0 0 bad правое бедро эндопротезирования
29 dataset_hack/НД_для_обучения/Исследования/2.25.11175860580562939441493697221497597640/series_003_2_CR/A2507431060 DXA/CR DXA/spine_03_bad.dcm spine_03_bad.dcm 2.25.11175860580562939441493697221497597640 1.2.643.5.1.13.13.12.2.77.8252.01021511080002000006040601030906 1.2.643.5.1.13.13.12.2.77.8252.08101400121500101415120401040211 1 unspecified 1 0 0 1 bad правое бедро эндопротезирования
30 dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.112621744005021908434051268014787122937 1.2.643.5.1.13.13.12.2.77.8252.14150011111304110807130802031100 1.2.643.5.1.13.13.12.2.77.8252.15090515141309140806011408041204 spine 1 unspecified 0 1 1 0 0 bad сколиоз
31 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.03150400010605060115070904121304 hip_left 1 rotation 1 0 1 0 0
32 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.15050814070214050107040604101305 hip_right 1 rotation 1 0 1 0 0
33 dataset_hack/НД_для_обучения/Исследования/2.25.114887542067602662452692698814728642117/series_001_2_CR/A2504131887 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.114887542067602662452692698814728642117 1.2.643.5.1.13.13.12.2.77.8252.12090510061110050103011205010113 1.2.643.5.1.13.13.12.2.77.8252.10001500010311100907131007040004 spine 1 artifact 1 0 1 0 0
34 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.13011301091003020814061203020304 hip_left 0 0 0 0 0 0
35 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.01010713081306120510130101121412 hip_right 0 0 0 0 0 0
36 dataset_hack/НД_для_обучения/Исследования/2.25.116822802042655971810859435524105064465/series_003_2_CR/A2507273296 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.116822802042655971810859435524105064465 1.2.643.5.1.13.13.12.2.77.8252.09001101031503060803041311070312 1.2.643.5.1.13.13.12.2.77.8252.05150512091506110304120408070606 spine 0 0 0 0 0 0
37 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02101009080308000015051512140806 hip_left 1 rotation 1 0 1 0 0
38 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.02091106060004131215091000000909 hip_right 1 rotation 1 0 1 0 0
39 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.122446767306607067205618235949445789306 1.2.643.5.1.13.13.12.2.77.8252.00101409100812000205071213151011 1.2.643.5.1.13.13.12.2.77.8252.15060100040008041103060904131005 spine 0 0 0 0 0 0
40 dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.123175695355749859846173904788591707879 1.2.643.5.1.13.13.12.2.77.8252.11130601031507131510140912150209 1.2.643.5.1.13.13.12.2.77.8252.12031311070507060813050800031313 spine 0 0 0 0 0 0
41 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.10081312010805021201100507060411 hip_left 0 0 0 0 0 0
42 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.08050506060410091114110412130504 hip_right 0 0 0 0 0 0
43 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.124890633326693921702195356152595253940 1.2.643.5.1.13.13.12.2.77.8252.04120502090713030002100002030500 1.2.643.5.1.13.13.12.2.77.8252.04131510070001011107040403071102 spine 0 0 0 0 0 0
44 dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.125521310320333648427417313254965624364 1.2.643.5.1.13.13.12.2.77.8252.04020303131005050903141411050509 1.2.643.5.1.13.13.12.2.77.8252.06141210040207130507130606070312 spine 1 positioning 1 1 0 0 0 bad
45 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.08121504041301080101130415050611 hip_left 1 rotation;roi_incorrect 1 0 1 0 0
46 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.11151304101402090112060913070605 hip_right 0 0 0 0 0 0
47 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.126293418391331346694592071563510265596 1.2.643.5.1.13.13.12.2.77.8252.06000203070703071315151100081515 1.2.643.5.1.13.13.12.2.77.8252.10031005061115110908060312000307 spine 1 unspecified 0 1 1 0 0 bad
48 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.01070801081413060013111012010201 hip_left 1 rotation 1 0 1 0 0 перелом
49 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.10040807011312021210130513011200 hip_right 1 rotation;roi_incorrect 1 0 1 0 0 перелом
50 dataset_hack/НД_для_обучения/Исследования/2.25.127126130998341190348103034690069487890/series_002_2_CR/A250428736 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.127126130998341190348103034690069487890 1.2.643.5.1.13.13.12.2.77.8252.01100712050309061210070903020211 1.2.643.5.1.13.13.12.2.77.8252.13130511100900071404010502130909 spine 1 axis_deviation 1 1 0 0 0 bad перелом
51 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.07050602130910101513020700010509 hip_left 1 unspecified 1 0 0 0 bad эндопротезирования ТБС
52 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.02011409120209130807021302101100 hip_right 1 unspecified 1 0 0 0 bad эндопротезирования ТБС
53 dataset_hack/НД_для_обучения/Исследования/2.25.12798473087614376830819854616447908612/series_002_2_CR/A2507538847 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.12798473087614376830819854616447908612 1.2.643.5.1.13.13.12.2.77.8252.09130409131001141403120204031509 1.2.643.5.1.13.13.12.2.77.8252.07111115111305011108141412010801 spine 0 0 0 0 0 0 эндопротезирования ТБС
54 dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128197189461989832465575162384360009377 1.2.643.5.1.13.13.12.2.77.8252.12090514001006040904030606011401 1.2.643.5.1.13.13.12.2.77.8252.02030508140000071310150302011113 spine 0 0 0 0 0 0
55 dataset_hack/НД_для_обучения/Исследования/2.25.128630285053087246379265602913470285158/series_003_2_CR/A2504394821 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.128630285053087246379265602913470285158 1.2.643.5.1.13.13.12.2.77.8252.02080810120709040103090703140106 1.2.643.5.1.13.13.12.2.77.8252.09070705131210061514041509120513 spine 0 0 0 0 0 0
56 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.02111507100612121000021204080801 hip_left 1 rotation 1 0 1 0 0
57 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.09150805131402040209060509150410 hip_right 1 rotation 1 0 1 0 0
58 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.128990540359421489042453547244535073735 1.2.643.5.1.13.13.12.2.77.8252.10140103050104100015110907140800 1.2.643.5.1.13.13.12.2.77.8252.11000605051111050207041006140905 spine 1 positioning 1 1 0 0 0 bad
59 dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.129239680100193368599713239115902740628 1.2.643.5.1.13.13.12.2.77.8252.08111201111203050510020404121406 1.2.643.5.1.13.13.12.2.77.8252.00131503020212110600101502020700 hip_right 1 rotation 1 0 1 1 0
60 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.06081211090913150712130913130401 hip_left 1 roi_incorrect 1 0 1 0 0
61 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.12051101030200021506031210090702 hip_right 1 roi_incorrect 1 0 1 0 0
62 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13069823278093578548407087310307113784 1.2.643.5.1.13.13.12.2.77.8252.01101508090608101115020806060015 1.2.643.5.1.13.13.12.2.77.8252.05100110120015150515030506140402 spine 0 0 0 0 0 0
63 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.06120903051105150112061201080014 hip_left 0 0 0 0 0 0 сколиоз
64 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.13151303131009131214000609090104 hip_right 0 0 0 0 0 0 сколиоз
65 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.132083163398091874662674590622589534350 1.2.643.5.1.13.13.12.2.77.8252.00030206020209110205100406021412 1.2.643.5.1.13.13.12.2.77.8252.15080409060108110106110204020115 spine 0 0 0 0 0 0 сколиоз
66 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.15140601101305061400021505010802 hip_left 0 0 0 0 0 0
67 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.05020106091400040809110708040301 hip_right 0 0 0 0 0 0
68 dataset_hack/НД_для_обучения/Исследования/2.25.132272637351979990811754009849547633391/series_003_3_CR/A2504141080 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.132272637351979990811754009849547633391 1.2.643.5.1.13.13.12.2.77.8252.07060700030806121503030014110206 1.2.643.5.1.13.13.12.2.77.8252.07151108041411120004040810151209 spine 1 unspecified 0 1 1 0 0 bad
69 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.11020707081006150000011408140609 hip_left 1 roi_incorrect 1 0 1 0 0
70 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.04080409110008071309041404000111 hip_right 0 0 0 0 0 0
71 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13325817932854000792938662637654885530 1.2.643.5.1.13.13.12.2.77.8252.01011312130808040910091102031113 1.2.643.5.1.13.13.12.2.77.8252.02090003020511130407030106110206 spine 0 0 0 0 0 0
72 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.14121200111500000012151207021305 hip_left 0 0 0 0 0 0
73 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.04040803080402061202041005000304 hip_right 0 0 0 0 0 0
74 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.134456506307367483341018281460841912845 1.2.643.5.1.13.13.12.2.77.8252.14001106061015010402061009020003 1.2.643.5.1.13.13.12.2.77.8252.13090607110001000310151006050113 spine 0 0 0 0 0 0
75 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.04060811050000140014040410080212 hip_right 0 0 0 0 1 0
76 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.135241889065705954191821710363605596815 1.2.643.5.1.13.13.12.2.77.8252.02111204140006020215081404050209 1.2.643.5.1.13.13.12.2.77.8252.12060607091105150404131215110908 spine 0 0 0 0 0 0
77 dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13566237352084812982996047541944701548 1.2.643.5.1.13.13.12.2.77.8252.02110607061101140709130908071405 1.2.643.5.1.13.13.12.2.77.8252.09030712140506070904071003000708 spine 0 0 0 0 0 0
78 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.03131510081105080011060404010511 hip_left 0 0 0 0 0 0
79 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.14140312010015010504081306061203 hip_right 0 0 0 0 0 0
80 dataset_hack/НД_для_обучения/Исследования/2.25.137344827330550141320158285144101816664/series_003_3_CR/A2507146630 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137344827330550141320158285144101816664 1.2.643.5.1.13.13.12.2.77.8252.07080911030405120513131308130103 1.2.643.5.1.13.13.12.2.77.8252.02050314081501100100131400110412 spine 0 0 0 0 0 0
81 dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.137675513852774974135210999345676405116 1.2.643.5.1.13.13.12.2.77.8252.00091501080806120506120114090107 1.2.643.5.1.13.13.12.2.77.8252.05060902130204131205041207051405 spine 0 0 0 0 0 0
82 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.02030711120805150008090200030710 hip_left 0 0 0 0 0 0
83 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.05100908130706051511060907050202 hip_right 0 0 0 0 0 0
84 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.13983650679559142983913935144968795415 1.2.643.5.1.13.13.12.2.77.8252.04111012020210100809111310020901 1.2.643.5.1.13.13.12.2.77.8252.01100509051301061200120505020711 spine 0 0 0 0 0 0
85 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14070202101304120203120502100808 hip_left 0 0 0 0 0 0
86 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.01100715050305071000110707040014 hip_right 1 rotation 1 0 1 0 0
87 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.144941557565802351596730914409170713112 1.2.643.5.1.13.13.12.2.77.8252.06041008131200110706010301000604 1.2.643.5.1.13.13.12.2.77.8252.14021109030605071205090308080911 spine 0 0 0 0 0 0
88 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.06130104100900080002100912090901 hip_left 1 rotation 1 0 1 0 0
89 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.09091111090903031309150614110215 hip_right 0 0 0 0 0 0
90 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.145848300160680194368420189079847088556 1.2.643.5.1.13.13.12.2.77.8252.00020104100613061304040514090111 1.2.643.5.1.13.13.12.2.77.8252.07040802010906150312000007110303 spine 1 unspecified 0 1 1 0 0 bad
91 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07071507091013150605060411110414 hip_left 0 0 0 0 0 0
92 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.06120514140811101106020900110711 hip_right 0 0 0 0 0 0
93 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.151186844055172005615813066162721550889 1.2.643.5.1.13.13.12.2.77.8252.02060202021413001406000512080208 1.2.643.5.1.13.13.12.2.77.8252.07051313070907070603030815070904 spine 0 0 0 0 0 0
94 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.12020806150405080200131300151004 hip_left 0 0 0 0 0 0
95 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09091502110711081102050610090100 hip_right 0 0 0 0 0 0
96 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156021661584944120526934974594604520993 1.2.643.5.1.13.13.12.2.77.8252.07100203071411091300120005090303 1.2.643.5.1.13.13.12.2.77.8252.09130714090405151215050914040809 spine 0 0 0 0 0 0
97 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.00010208150107110206110212130810 hip_left 0 0 0 0 0 0
98 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.04001402031200081204010009090110 hip_right 0 0 0 0 0 0
99 dataset_hack/НД_для_обучения/Исследования/2.25.156375884487675936513403083218009333856/series_003_2_CR/A250727121 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156375884487675936513403083218009333856 1.2.643.5.1.13.13.12.2.77.8252.03010905090814080711141406121501 1.2.643.5.1.13.13.12.2.77.8252.07090311111312140315080706100515 spine 1 artifact 1 0 1 0 0
100 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.12101514000107101207120412120213 hip_left 0 0 0 0 0 0
101 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.05051100060005040907000403081502 hip_right 0 0 0 0 0 0
102 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.156389075510671877606923458507011517218 1.2.643.5.1.13.13.12.2.77.8252.14051001011001020103110813110612 1.2.643.5.1.13.13.12.2.77.8252.10040508121311001415130412050515 spine 0 0 0 0 0 0
103 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.14100604010411121207140303140506 hip_left 1 rotation 1 0 1 0 0
104 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.01041213150709070704090905040703 hip_right 1 rotation 1 0 1 0 0
105 dataset_hack/НД_для_обучения/Исследования/2.25.157462338378550185821790046400986801350/series_001_2_CR/A2507498707 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.157462338378550185821790046400986801350 1.2.643.5.1.13.13.12.2.77.8252.04090607151301101110121009081500 1.2.643.5.1.13.13.12.2.77.8252.15011410150513090204040606151204 spine 0 0 0 0 0 0
106 dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158197739569377798130962967413133224194 1.2.643.5.1.13.13.12.2.77.8252.08130702060402020111101401090509 1.2.643.5.1.13.13.12.2.77.8252.09040703010601060814101313081104 spine 1 unspecified 0 1 1 0 0 bad
107 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.11050703151212091005010115120315 hip_left 0 0 0 0 0 0
108 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.13040700151412120600060201031309 hip_right 0 0 0 0 0 0
109 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.158646777318759504110695916200521633609 1.2.643.5.1.13.13.12.2.77.8252.10030514041010111403040803061004 1.2.643.5.1.13.13.12.2.77.8252.08140602091513140007031414030212 spine 1 artifact 1 1 0 0 0 bad
110 dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.159930383074323525630608416881201447861 1.2.643.5.1.13.13.12.2.77.8252.05080007010908151412021401130712 1.2.643.5.1.13.13.12.2.77.8252.03050413050004110015050414021412 spine 0 0 0 0 0 0
111 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.05080909100510090906081209130901 hip_left 0 0 0 0 0 0
112 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.00071210060602011311010906021407 hip_right 1 rotation 1 0 1 0 0
113 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.164566280810634620154538016595892212884 1.2.643.5.1.13.13.12.2.77.8252.11031305020803120210110303010607 1.2.643.5.1.13.13.12.2.77.8252.02030112081401101404040904010405 spine 1 positioning 1 1 0 0 0 bad
114 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.14100208080000030010140812001111 hip_left 1 rotation 1 0 1 0 0
115 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.12140710150813060013011403140807 hip_right 0 0 0 0 0 0
116 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.165091430504580219034019815337441064349 1.2.643.5.1.13.13.12.2.77.8252.07040007120602101304050600010708 1.2.643.5.1.13.13.12.2.77.8252.01120104060301100213100004141203 spine 1 unspecified 0 1 1 0 0 bad
117 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.03030806061309020808141008071213 hip_right 0 0 0 0 1 0
118 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.165355673991587715046346525964554729786 1.2.643.5.1.13.13.12.2.77.8252.12060501010302051215051203010600 1.2.643.5.1.13.13.12.2.77.8252.05130006080703150808130311150104 spine 1 artifact 1 0 1 0 0
119 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.05050004021105041108010100020012 hip_left 0 0 0 0 0 0
120 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.03020203090713120707041512070302 hip_right 0 0 0 0 0 0
121 dataset_hack/НД_для_обучения/Исследования/2.25.167344201679287285499405412654740659745/series_003_2_CR/A2504249537 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.167344201679287285499405412654740659745 1.2.643.5.1.13.13.12.2.77.8252.11061310061408070513110011010800 1.2.643.5.1.13.13.12.2.77.8252.06020510071406141308051102110806 spine 0 0 0 0 0 0
122 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.15000110101510080415120006131402 hip_left 0 0 0 0 0 0
123 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.13040605040810031203041510031012 hip_right 0 0 0 0 0 0
124 dataset_hack/НД_для_обучения/Исследования/2.25.16773626720107440979805052259711419763/series_004_2_CR/A2507537392 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.16773626720107440979805052259711419763 1.2.643.5.1.13.13.12.2.77.8252.09131109110213080611001502040813 1.2.643.5.1.13.13.12.2.77.8252.09031014151115011007041507060209 spine 1 unspecified 0 1 1 0 0 bad
125 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.03110002011112060400010906040109 hip_left 0 0 0 0 0 0
126 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.10050700041001040614050614130103 hip_right 0 0 0 0 0 0
127 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.168317503020329569414190677927680518621 1.2.643.5.1.13.13.12.2.77.8252.11120509060313030005050308070506 1.2.643.5.1.13.13.12.2.77.8252.08150001020008051511060800070004 spine 0 0 0 0 0 0
128 dataset_hack/НД_для_обучения/Исследования/2.25.169242707068684757906797344800977707240/series_003_2_CR/A2507185832 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.169242707068684757906797344800977707240 1.2.643.5.1.13.13.12.2.77.8252.11130805080112021004150213051005 1.2.643.5.1.13.13.12.2.77.8252.03020907090204060013031106111312 spine 0 0 0 0 0 0
129 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.05030907080814020708000711150507 hip_left 0 0 0 0 0 0
130 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.15151313120000020410110702050700 hip_right 0 0 0 0 0 0
131 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.172445998420765569384934552191547932566 1.2.643.5.1.13.13.12.2.77.8252.07141114011403010702060406101512 1.2.643.5.1.13.13.12.2.77.8252.08131412000401011215150704040610 spine 1 artifact 1 0 1 0 0
132 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.04070212140009090002060410031413 hip_right 0 0 0 0 1 0
133 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173731186748227489808861376513577450951 1.2.643.5.1.13.13.12.2.77.8252.02011400121411091003041007011307 1.2.643.5.1.13.13.12.2.77.8252.01091510011014070612050311031410 spine 0 0 0 0 0 0
134 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.10100404000008120405081411021306 hip_left 0 0 0 0 0 0
135 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.04111300031205120703050100121209 hip_right 1 roi_incorrect 1 1 0 0 0 bad
136 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.173753313169335820519632380691065649420 1.2.643.5.1.13.13.12.2.77.8252.09090912081008051408101503020807 1.2.643.5.1.13.13.12.2.77.8252.13001014110608151112110112061114 spine 1 axis_deviation 1 0 1 0 0
137 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.06070803110509120507010310141201 hip_left 0 0 0 0 0 0 сколиоз
138 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.10000603030913050503020611051415 hip_right 0 0 0 0 0 0 сколиоз
139 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175881661753775295785039265792986971602 1.2.643.5.1.13.13.12.2.77.8252.01091501110815031100020500130014 1.2.643.5.1.13.13.12.2.77.8252.14060403060314010506081209070311 spine 0 0 0 0 0 0 сколиоз
140 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.13151105000600070510031109011109 hip_left 0 0 0 0 0 0
141 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm r_hip_02.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.15100208060002090813060606131404 hip_right 0 0 0 0 0 0
142 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.175903805423871105435148927871625232853 1.2.643.5.1.13.13.12.2.77.8252.08010308000211020503020307091312 1.2.643.5.1.13.13.12.2.77.8252.12071204070300150506091512141413 spine 0 0 0 0 0 0
143 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.08081313070715151208110603030015 hip_left 1 unspecified 0 1 1 0 0 bad
144 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.11051514070611150905020505061111 hip_right 0 0 0 0 0 0
145 dataset_hack/НД_для_обучения/Исследования/2.25.17706555930735581384953296958427669848/series_004_3_CR/A2504146513 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.17706555930735581384953296958427669848 1.2.643.5.1.13.13.12.2.77.8252.15150900091406150103131401151205 1.2.643.5.1.13.13.12.2.77.8252.03050114141207061001080502130215 spine 1 artifact 1 0 1 0 0
146 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.06130700140211110505051411010711 hip_left 0 0 0 0 0 0
147 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.04150214121314031409051312111410 hip_right 0 0 0 0 0 0
148 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.177745077805190810016231350557005569203 1.2.643.5.1.13.13.12.2.77.8252.11110412020614040803060513120911 1.2.643.5.1.13.13.12.2.77.8252.03031110041309110901030612131412 spine 1 unspecified 0 1 1 0 0 bad
149 dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.178533355209696795441380751187185128893 1.2.643.5.1.13.13.12.2.77.8252.05000609021402010711070801100904 1.2.643.5.1.13.13.12.2.77.8252.14110604050810020100071004090404 spine 0 0 0 0 0 0 сколиоз
150 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.07040306041313130904140702020908 hip_left 0 0 0 0 0 0
151 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.14150808010700150501131415040808 hip_right 0 0 0 0 0 0
152 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.181196659018348153828200695057897449628 1.2.643.5.1.13.13.12.2.77.8252.04121102011402150303110508111305 1.2.643.5.1.13.13.12.2.77.8252.08141015091400020302110912090508 spine 0 0 0 0 0 0
153 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.02150805140008141106110606070801 hip_left 0 0 0 0 0 0
154 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.11141409010404080202090702050104 hip_right 0 0 0 0 0 0
155 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.184198356665635336833172191504278054074 1.2.643.5.1.13.13.12.2.77.8252.04101108050208091310021407111214 1.2.643.5.1.13.13.12.2.77.8252.04151306060901060605121400081206 spine 0 0 0 0 0 0
156 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.00091315091215060415120908060402 hip_left 0 0 0 0 0 0
157 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.01110601131107041511021510061211 hip_right 0 0 0 0 0 0
158 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.186201010600484120326273381077449377115 1.2.643.5.1.13.13.12.2.77.8252.04030111120106061513080209011000 1.2.643.5.1.13.13.12.2.77.8252.07140512060315100814061103061308 spine 0 0 0 0 0 0
159 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.03000010070307110614031003090302 hip_left 0 0 0 0 0 0
160 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11050911061500091304001000100608 hip_right 1 rotation 1 0 1 0 0
161 dataset_hack/НД_для_обучения/Исследования/2.25.190331309633057244929837507901317950031/series_001_2_CR/A250791815 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190331309633057244929837507901317950031 1.2.643.5.1.13.13.12.2.77.8252.08070600001410030512060707091212 1.2.643.5.1.13.13.12.2.77.8252.11100109131006120600020910050910 spine 1 axis_deviation 1 0 1 0 0
162 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.10101410111513000809081215030802 hip_right 0 0 0 0 1 0
163 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.190807933410234695931591553323782771995 1.2.643.5.1.13.13.12.2.77.8252.13050309140908091510010214121510 1.2.643.5.1.13.13.12.2.77.8252.04000404020304020301120408100801 spine 1 artifact 1 0 1 0 0
164 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.00070615051510041500030210150312 hip_left 1 rotation 1 0 1 0 0
165 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.02120211101306000510080011031411 hip_right 1 rotation 1 0 1 0 0
166 dataset_hack/НД_для_обучения/Исследования/2.25.215177279960644564778148238928738915103/series_002_2_CR/A2504147013 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.215177279960644564778148238928738915103 1.2.643.5.1.13.13.12.2.77.8252.13011101150906100811130003020808 1.2.643.5.1.13.13.12.2.77.8252.05011012001311141515001115080104 spine 0 0 0 0 0 0
167 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.10000400041408060608031009090710 hip_left 0 0 0 0 0 0
168 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.02091115080411030312040600000701 hip_right 0 0 0 0 0 0
169 dataset_hack/НД_для_обучения/Исследования/2.25.217397325224876728316360420804118329081/series_002_2_CR/A250474631 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.217397325224876728316360420804118329081 1.2.643.5.1.13.13.12.2.77.8252.15060506051311040306151405130812 1.2.643.5.1.13.13.12.2.77.8252.04131001000110131311121304090609 spine 0 0 0 0 0 0
170 dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.220866240977467582196609708837940253840 1.2.643.5.1.13.13.12.2.77.8252.04071115100300090601031200020808 1.2.643.5.1.13.13.12.2.77.8252.03010603150012061509030005111300 spine 1 axis_deviation 1 1 0 0 0 bad
171 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm l_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.02051208030605070510050510081213 hip_left 1 rotation 1 1 0 0 0 bad
172 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09140613011500120102030800080807 hip_right 1 rotation 1 1 0 0 0 bad
173 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.234651502352368356456298825489565282446 1.2.643.5.1.13.13.12.2.77.8252.11000715091405120315010100101510 1.2.643.5.1.13.13.12.2.77.8252.09031307051100020212010511060414 spine 1 unspecified 0 1 1 0 0 bad
174 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.13110800060502010303101404091303 hip_left 0 0 0 0 0 0
175 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06051510010614000404080600020603 hip_right 0 0 0 0 0 0
176 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_01_bad.dcm 2.25.247714038039430659432048101646401574824 1.2.643.5.1.13.13.12.2.77.8252.01010712071105151008051412091100 1.2.643.5.1.13.13.12.2.77.8252.06030210110500061108030910090908 spine 1 artifact 1 1 0 0 0 bad
177 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12031014110715041000030602140501 hip_left 0 0 0 0 0 0
178 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.12130902030702050210110604020115 hip_right 0 0 0 0 0 0
179 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269648774413746842548908998641183395622 1.2.643.5.1.13.13.12.2.77.8252.13000111030510001210030508000815 1.2.643.5.1.13.13.12.2.77.8252.02001209000515050108060411111311 spine 1 axis_deviation;artifact 1 0 1 0 0
180 dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.269742577365511543488820993979123763373 1.2.643.5.1.13.13.12.2.77.8252.05011409090000061404080803060404 1.2.643.5.1.13.13.12.2.77.8252.11081308031311040302130506061304 spine 0 0 0 0 0 0 сколиоз
181 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.01011201030601080312040805131303 hip_left 1 rotation 1 0 1 0 0
182 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06121304010102150202081301011406 hip_right 0 0 0 0 0 0
183 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.272690031744216183651627058502316132741 1.2.643.5.1.13.13.12.2.77.8252.15120712020613071211131414040509 1.2.643.5.1.13.13.12.2.77.8252.06030606140315081407041104141012 spine 1 unspecified 0 1 1 0 0 bad
184 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.06120002061108140400041203121102 hip_left 0 0 0 0 0 0 сколиоз
185 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.15130815100101091501031008111015 hip_right 0 0 0 0 0 0 сколиоз
186 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.276415754443998872860614500027519740375 1.2.643.5.1.13.13.12.2.77.8252.06111506140814121408000710091014 1.2.643.5.1.13.13.12.2.77.8252.13000009090006001202001212051006 spine 1 unspecified 0 1 1 0 0 bad сколиоз
187 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.11140100091110050501140207060912 hip_left 1 roi_incorrect 1 0 1 0 0
188 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.09010705011309010307011213150407 hip_right 0 0 0 0 0 0
189 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.277752758923974029595977676354128739670 1.2.643.5.1.13.13.12.2.77.8252.01150001000900060703031302131108 1.2.643.5.1.13.13.12.2.77.8252.15080302090100001214141305071301 spine 1 artifact 1 0 1 0 0
190 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.11091010090201121300090614051311 hip_left 0 0 0 0 0 0 сколиоз
191 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.15080906090913051107110915140103 hip_right 0 0 0 0 0 0 сколиоз
192 dataset_hack/НД_для_обучения/Исследования/2.25.286999464611662854355201599068538813496/series_003_2_CR/A2504223477 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.286999464611662854355201599068538813496 1.2.643.5.1.13.13.12.2.77.8252.06121310051313071012071011000214 1.2.643.5.1.13.13.12.2.77.8252.02141512030209141106060309030501 spine 0 0 0 0 0 0 сколиоз
193 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.09040806151211060704090912150608 hip_left 0 0 0 0 0 0
194 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12090901030412121214030908040015 hip_right 0 0 0 0 0 0
195 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.29638026465755240167985424461715024381 1.2.643.5.1.13.13.12.2.77.8252.09020304121009030507130509070701 1.2.643.5.1.13.13.12.2.77.8252.12021011000615031102060001101203 spine 1 positioning 1 1 0 0 0 bad
196 dataset_hack/НД_для_обучения/Исследования/2.25.306921081709806079165809721263236241032/series_002_2_CR/A2504381177 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.306921081709806079165809721263236241032 1.2.643.5.1.13.13.12.2.77.8252.13070707001109051012021502000705 1.2.643.5.1.13.13.12.2.77.8252.05140704131104071313121101000313 spine 0 0 0 0 0 0
197 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.12090115120005000603040515131409 hip_left 0 0 0 0 0 0
198 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.09020610121102091006070609000414 hip_right 0 0 0 0 0 0
199 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.307021710202910067378603383388989711646 1.2.643.5.1.13.13.12.2.77.8252.04040806101100130101150009051415 1.2.643.5.1.13.13.12.2.77.8252.10011315050807060809100706050011 spine 1 artifact 1 0 1 0 0
200 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.09030700121011131209150303151015 hip_left 0 0 0 0 0 0
201 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.07070904150315000704031208001011 hip_right 0 0 0 0 0 0
202 dataset_hack/НД_для_обучения/Исследования/2.25.309085571913348252136520206003694446566/series_002_2_CR/A2504116267 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.309085571913348252136520206003694446566 1.2.643.5.1.13.13.12.2.77.8252.06051105050701010502031403141206 1.2.643.5.1.13.13.12.2.77.8252.03121103130007121510030803050514 spine 1 axis_deviation 1 0 1 0 0
203 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02000306061002040514101500000812 hip_left 0 0 0 0 0 0
204 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.01130904120915050401031210031001 hip_right 0 0 0 0 0 0
205 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.314147167453134440746270747484612743945 1.2.643.5.1.13.13.12.2.77.8252.10110305110802141404051200020210 1.2.643.5.1.13.13.12.2.77.8252.02120204101515130306021007150210 spine 0 0 0 0 0 0
206 dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.322202456901330781765399791024580391565 1.2.643.5.1.13.13.12.2.77.8252.10000214070110110712041100051105 1.2.643.5.1.13.13.12.2.77.8252.06061007030610120805010913100711 spine 0 0 0 0 0 0 сколиоз
207 dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.338439598607961312040815816824093323492 1.2.643.5.1.13.13.12.2.77.8252.09061205050201001102041514000912 1.2.643.5.1.13.13.12.2.77.8252.13110108131113110013070512051310 spine 1 artifact 1 1 0 0 0 bad сколиоз
208 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.05111003151314100612100700031506 hip_left 0 0 0 0 0 0 сколиоз
209 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.11010912010413080807030107050600 hip_right 0 0 0 0 0 0 сколиоз
210 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.339027809107632348165171236474821772940 1.2.643.5.1.13.13.12.2.77.8252.00021509100701140314011205150113 1.2.643.5.1.13.13.12.2.77.8252.04091012040015061107090014081504 spine 1 unspecified 1 1 0 0 0 bad сколиоз
211 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.05030701101012140702110704000714 hip_left 0 0 0 0 0 0
212 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.14120712151005010200040708001308 hip_right 0 0 0 0 0 0
213 dataset_hack/НД_для_обучения/Исследования/2.25.340839477910528898406207279980417945/series_001_2_CR/A2504224555 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.340839477910528898406207279980417945 1.2.643.5.1.13.13.12.2.77.8252.02100613110404001511060101141303 1.2.643.5.1.13.13.12.2.77.8252.12111312010203070900101115051015 spine 0 0 0 0 0 0
214 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.08110803070615141513021414111001 hip_left 0 0 0 0 0 0 Хороший пример отклонения оси при КТ п-ка
215 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.12090208061115110101131315120813 hip_right 0 0 0 0 0 0 Хороший пример отклонения оси при КТ п-ка
216 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.37515662379281069436632838996073181551 1.2.643.5.1.13.13.12.2.77.8252.08050709020911100006011108031308 1.2.643.5.1.13.13.12.2.77.8252.05001409080504151204111500000514 spine 1 axis_deviation 1 1 0 0 0 bad Хороший пример отклонения оси при КТ п-ка
217 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.00030605020706130003080307080701 hip_left 1 rotation 1 0 1 0 0
218 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.07150610130411050211021514011106 hip_right 1 rotation 1 0 1 0 0
219 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.39068163399801173920284179500049527111 1.2.643.5.1.13.13.12.2.77.8252.14030514000710060800130100011214 1.2.643.5.1.13.13.12.2.77.8252.15141302131508150312140605060212 spine 1 axis_deviation;artifact 1 0 1 0 0
220 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.06080100090802110008000311010501 hip_left 1 rotation 1 0 1 0 0 Требует внимание
221 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.03010404051000131408111209140108 hip_right 1 rotation 1 0 1 0 0 Требует внимание
222 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm spine_01.dcm 2.25.48906424954135283790354958243772558962 1.2.643.5.1.13.13.12.2.77.8252.06031007110009040706001109051004 1.2.643.5.1.13.13.12.2.77.8252.02031401091510001200041308031003 spine 1 artifact 1 0 1 0 0 Требует внимание
223 dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.52532476139575422857225834315571570912 1.2.643.5.1.13.13.12.2.77.8252.12150004000513030900100606011509 1.2.643.5.1.13.13.12.2.77.8252.07120809010109050202061111011110 spine 1 unspecified 1 1 0 0 0 bad Сколиоз, не верня разметка
224 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.07081506021006111207090213090701 hip_left 0 0 0 0 0 0 L6, люмбализация
225 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.06001210040802120801060507001509 hip_right 0 0 0 0 0 0 L6, люмбализация
226 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.52982400970721161435951723390541696819 1.2.643.5.1.13.13.12.2.77.8252.14030804041506011403100115131006 1.2.643.5.1.13.13.12.2.77.8252.02030504060005060505040905021305 spine 1 positioning 1 0 1 0 0 L6, люмбализация
227 dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.54396839637320114639948764487283877793 1.2.643.5.1.13.13.12.2.77.8252.15041203090015060404010507050405 1.2.643.5.1.13.13.12.2.77.8252.02060605151213121009151302130207 spine 1 unspecified 0 1 1 0 0 bad
228 dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.59542620917302828428419211045951914336 1.2.643.5.1.13.13.12.2.77.8252.13101512050003031109001004060403 1.2.643.5.1.13.13.12.2.77.8252.07101010011513020401030213080905 spine 1 artifact 1 1 0 0 0 bad
229 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.11130315030911081202140406010814 hip_left 0 0 0 0 0 0
230 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.10000615050107010300151404090301 hip_right 0 0 0 0 0 0
231 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.65954778282254353457041255543338557112 1.2.643.5.1.13.13.12.2.77.8252.09110800100012120800030006041405 1.2.643.5.1.13.13.12.2.77.8252.05111111030105140803060510040613 spine 0 0 0 0 0 0
232 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.08021214010408050013070405100802 hip_left 1 rotation 1 0 1 0 0
233 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/r_hip_01_bad.dcm r_hip_01_bad.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.02091011000006010704070004091411 hip_right 1 rotation 1 1 0 0 0 bad
234 dataset_hack/НД_для_обучения/Исследования/2.25.66397484472966116002950503539482860450/series_001_2_CR/A2504194637 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.66397484472966116002950503539482860450 1.2.643.5.1.13.13.12.2.77.8252.00140708141309070509131215090805 1.2.643.5.1.13.13.12.2.77.8252.01011407000709010910090115010000 spine 0 0 0 0 0 0
235 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.12110509121413070408000802041201 hip_left 1 rotation 1 0 1 0 0 Отклонение оси, нет малых вертелов
236 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.00031305050707070014000611130907 hip_right 1 rotation 1 0 1 0 0 Отклонение оси, нет малых вертелов
237 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.73070100851377917031356937075051545239 1.2.643.5.1.13.13.12.2.77.8252.04140410030403000101120807100701 1.2.643.5.1.13.13.12.2.77.8252.07150604010711031305090702140107 spine 1 axis_deviation 1 0 1 0 0 Отклонение оси, нет малых вертелов
238 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.14130302090906050506100315000611 hip_left 0 0 0 0 0 0
239 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.02050808061207030811150709091509 hip_right 0 0 0 0 0 0
240 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.76710355977373089612172037086913478687 1.2.643.5.1.13.13.12.2.77.8252.02001413040700010813000013120308 1.2.643.5.1.13.13.12.2.77.8252.06151311061015011100110511080701 spine 0 0 0 0 0 0
241 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.07150713040501120002001009141410 hip_left 1 rotation 1 0 1 0 0 Требует внимание
242 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.05120913001500151408091003040415 hip_right 1 rotation 1 0 1 0 0 Требует внимание
243 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.78999454687125053757525542837745968726 1.2.643.5.1.13.13.12.2.77.8252.11011102050904000102020212011404 1.2.643.5.1.13.13.12.2.77.8252.11011500050713141305050211140308 spine 0 0 0 0 0 0 Требует внимание
244 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.13130903011502030304101506090814 hip_left 0 0 0 0 0 0 Хороший пример ротации
245 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15121403061107000609060400100413 hip_right 1 rotation 1 0 1 0 0 Хороший пример ротации
246 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.82912555346523716720160717883917565880 1.2.643.5.1.13.13.12.2.77.8252.07120201111314111500000602130205 1.2.643.5.1.13.13.12.2.77.8252.15001111061311011106030303001309 spine 0 0 0 0 0 0 Хороший пример ротации
247 dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm spine_01_bad.dcm 2.25.87718478011637131470224319788530286374 1.2.643.5.1.13.13.12.2.77.8252.07060506150205030514061006111408 1.2.643.5.1.13.13.12.2.77.8252.10041006131411151513070104110809 spine 1 unspecified 0 1 1 0 0 bad
248 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.15101115041306031303150405131115 hip_left 0 0 0 0 0 0
249 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.06111209081313111015020309051508 hip_right 0 0 0 0 0 0
250 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.87869906212286587478854831452123526595 1.2.643.5.1.13.13.12.2.77.8252.09131504151204000006060612091203 1.2.643.5.1.13.13.12.2.77.8252.04050904100201141507070306131511 spine 1 artifact 1 0 1 0 0
251 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm l_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.04000607141411061507120106050309 hip_left 0 0 0 0 0 0
252 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm r_hip_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.08061201060114131102110802141411 hip_right 0 0 0 0 0 0
253 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm spine_01.dcm 2.25.91981043841368764114007975581101713077 1.2.643.5.1.13.13.12.2.77.8252.07090507040208000106080811060202 1.2.643.5.1.13.13.12.2.77.8252.07021003040810040809000711080701 spine 1 positioning 1 0 1 0 0

BIN
labels/labels_images_union.xlsx Normal file
View File

Binary file not shown.

346
labels/rename_map.csv Normal file
View File

@ -0,0 +1,346 @@
old_path,new_path,old_name,new_name,reason
dataset_hack/Для теста/l_hip.dcm,dataset_hack/Для теста/l_hip_01.dcm,l_hip.dcm,l_hip_01.dcm,нет номера
dataset_hack/Для теста/r_hip.dcm,dataset_hack/Для теста/r_hip_01.dcm,r_hip.dcm,r_hip_01.dcm,нет номера
dataset_hack/Для теста/spine.dcm,dataset_hack/Для теста/spine_01.dcm,spine.dcm,spine_01.dcm,нет номера
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip-2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_02.dcm,l_hip-2.dcm,l_hip_02.dcm,дефис вместо подчёркивания
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip-2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_02.dcm,r_hip-2.dcm,r_hip_02.dcm,дефис вместо подчёркивания
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/Spine_01.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm,Spine_01.dcm,spine_01.dcm,регистр
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_05.dcm,l_hip_5.dcm,l_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_05.dcm,r_hip_5.dcm,r_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_05.dcm,l_hip_5.dcm,l_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_04.dcm,l_hip_1.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_05.dcm,l_hip_2.dcm,l_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_06.dcm,l_hip_3.dcm,l_hip_06.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_05.dcm,r_hip_1.dcm,r_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_06.dcm,r_hip_2.dcm,r_hip_06.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_07.dcm,r_hip_3.dcm,r_hip_07.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_08.dcm,r_hip_4.dcm,r_hip_08.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_3_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_03_bad.dcm,spine_3_bad.dcm,spine_03_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_4_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_04_bad.dcm,spine_4_bad.dcm,spine_04_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_07.dcm,l_hip_1.dcm,l_hip_07.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_08.dcm,l_hip_2.dcm,l_hip_08.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_09.dcm,l_hip_3.dcm,l_hip_09.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_10.dcm,l_hip_4.dcm,l_hip_10.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_11.dcm,l_hip_5.dcm,l_hip_11.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_6.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_12.dcm,l_hip_6.dcm,l_hip_12.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_06.dcm,r_hip_1.dcm,r_hip_06.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_07.dcm,r_hip_2.dcm,r_hip_07.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_08.dcm,r_hip_3.dcm,r_hip_08.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_09.dcm,r_hip_4.dcm,r_hip_09.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_10.dcm,r_hip_5.dcm,r_hip_10.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_6.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_11.dcm,r_hip_6.dcm,r_hip_11.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_spine_03.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_07.dcm,r_spine_03.dcm,spine_07.dcm,порядок: сторона перед областью
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_3_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_03_bad.dcm,spine_3_bad.dcm,spine_03_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_4_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_04_bad.dcm,spine_4_bad.dcm,spine_04_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_5_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_05_bad.dcm,spine_5_bad.dcm,spine_05_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_6_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_06_bad.dcm,spine_6_bad.dcm,spine_06_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_05.dcm,r_hip_5.dcm,r_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hop_02.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_02.dcm,r_hop_02.dcm,r_hip_02.dcm,опечатка hop
dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_02.dcm,spine.dcm,spine_02.dcm,нет номера
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_1_bad.dcm,r_hip_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_02_bad.dcm,r_hip_2_bad.dcm,r_hip_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_3_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_03_bad.dcm,r_hip_3_bad.dcm,r_hip_03_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_4_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_04_bad.dcm,r_hip_4_bad.dcm,r_hip_04_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine-1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm,spine-1.dcm,spine_01.dcm,дефис вместо подчёркивания
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_05.dcm,l_hip_5.dcm,l_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_05.dcm,r_hip_5.dcm,r_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_05.dcm,r_hip_5.dcm,r_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm,l_hip_1_bad.dcm,l_hip_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_02_bad.dcm,l_hip_2_bad.dcm,l_hip_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_3_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_03_bad.dcm,l_hip_3_bad.dcm,l_hip_03_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_4_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_04_bad.dcm,l_hip_4_bad.dcm,l_hip_04_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm,r_hip_1_bad.dcm,r_hip_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_02_bad.dcm,r_hip_2_bad.dcm,r_hip_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_3_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_03_bad.dcm,r_hip_3_bad.dcm,r_hip_03_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_4_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_04_bad.dcm,r_hip_4_bad.dcm,r_hip_04_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_3_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_03_bad.dcm,spine_3_bad.dcm,spine_03_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_3_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_03_bad.dcm,spine_3_bad.dcm,spine_03_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_05.dcm,l_hip_5.dcm,l_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01.dcm,spine.dcm,spine_01.dcm,нет номера
dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_03.dcm,l_hip_1.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_04.dcm,l_hip_2.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_04.dcm,r_hip_2.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_02.dcm,spine.dcm,spine_02.dcm,нет номера
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_2_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_02_bad.dcm,spine_2_bad.dcm,spine_02_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip03.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_03.dcm,r_hip03.dcm,r_hip_03.dcm,нет разделителя перед номером
dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_1_bad.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm,spine_1_bad.dcm,spine_01_bad.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm,l_hip_1.dcm,l_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_02.dcm,l_hip_2.dcm,l_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_03.dcm,l_hip_3.dcm,l_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_04.dcm,l_hip_4.dcm,l_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_5.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_05.dcm,l_hip_5.dcm,l_hip_05.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm,r_hip_1.dcm,r_hip_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_02.dcm,r_hip_2.dcm,r_hip_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_03.dcm,r_hip_3.dcm,r_hip_03.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_4.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_04.dcm,r_hip_4.dcm,r_hip_04.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_1.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm,spine_1.dcm,spine_01.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_2.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_02.dcm,spine_2.dcm,spine_02.dcm,ширина номера
dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_3.dcm,dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_03.dcm,spine_3.dcm,spine_03.dcm,ширина номера
dataset_hack/Для теста/bad.dcm,dataset_hack/Для теста/r_hip_01_bad.dcm,bad.dcm,r_hip_01_bad.dcm,область присвоена по выводу модели
1 old_path new_path old_name new_name reason
2 dataset_hack/Для теста/l_hip.dcm dataset_hack/Для теста/l_hip_01.dcm l_hip.dcm l_hip_01.dcm нет номера
3 dataset_hack/Для теста/r_hip.dcm dataset_hack/Для теста/r_hip_01.dcm r_hip.dcm r_hip_01.dcm нет номера
4 dataset_hack/Для теста/spine.dcm dataset_hack/Для теста/spine_01.dcm spine.dcm spine_01.dcm нет номера
5 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
6 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
7 dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.10245777060263212829333021434108890537/series_003_2_CR/A2504412435 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
8 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
9 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
10 dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.102965897799404973225419898683246248872/series_001_2_CR/A250726353 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
11 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
12 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
13 dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.103868781101960771917584077315578649178/series_001_3_CR/A2507485409 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
14 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
15 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
16 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
17 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
18 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
19 dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.105033841136787477881326326053319223817/series_001_2_CR/A250790559 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
20 dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.108537195937431169718850276671337677972/series_002_2_CR/A250479795 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
21 dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.112621744005021908434051268014787122937/series_002_2_CR/A2504301685 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
22 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip-2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_02.dcm l_hip-2.dcm l_hip_02.dcm дефис вместо подчёркивания
23 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
24 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip-2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_02.dcm r_hip-2.dcm r_hip_02.dcm дефис вместо подчёркивания
25 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
26 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
27 dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.122446767306607067205618235949445789306/series_001_2_CR/A2504255080 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
28 dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/Spine_01.dcm dataset_hack/НД_для_обучения/Исследования/2.25.123175695355749859846173904788591707879/series_001_2_CR/A250722449 DXA/CR DXA/spine_01.dcm Spine_01.dcm spine_01.dcm регистр
29 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
30 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
31 dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.124890633326693921702195356152595253940/series_002_2_CR/A2504263153 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
32 dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.125521310320333648427417313254965624364/series_001_2_CR/A250444126 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
33 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
34 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
35 dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.126293418391331346694592071563510265596/series_002_3_CR/A2507250865 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
36 dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.128197189461989832465575162384360009377/series_001_2_CR/A2507216909 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
37 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
38 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
39 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
40 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
41 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
42 dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.128990540359421489042453547244535073735/series_002_2_CR/A2507388698 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
43 dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.129239680100193368599713239115902740628/series_003_3_CR/A250757345 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
44 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
45 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
46 dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13069823278093578548407087310307113784/series_003_2_CR/A2507242667 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
47 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
48 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
49 dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.132083163398091874662674590622589534350/series_003_2_CR/A2507386583 DXA Exam/CR DXA Images/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
50 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
51 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
52 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
53 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
54 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/l_hip_05.dcm l_hip_5.dcm l_hip_05.dcm ширина номера
55 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
56 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
57 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
58 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
59 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/r_hip_05.dcm r_hip_5.dcm r_hip_05.dcm ширина номера
60 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
61 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
62 dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13325817932854000792938662637654885530/series_002_2_CR/A2507365486 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
63 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
64 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
65 dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.134456506307367483341018281460841912845/series_002_2_CR/A2507120612 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
66 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
67 dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.135241889065705954191821710363605596815/series_003_3_CR/A250715060 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
68 dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13566237352084812982996047541944701548/series_002_2_CR/A2504268931 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
69 dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.137675513852774974135210999345676405116/series_001_2_CR/A2504106597 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
70 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
71 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
72 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
73 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
74 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
75 dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.13983650679559142983913935144968795415/series_003_2_CR/A2504335111 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
76 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
77 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
78 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
79 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
80 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
81 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
82 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
83 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
84 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
85 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
86 dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.144941557565802351596730914409170713112/series_001_2_CR/A250728979 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
87 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
88 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
89 dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.145848300160680194368420189079847088556/series_002_2_CR/A2504248615 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
90 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
91 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
92 dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.151186844055172005615813066162721550889/series_002_2_CR/A250436130 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
93 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
94 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
95 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
96 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
97 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/l_hip_05.dcm l_hip_5.dcm l_hip_05.dcm ширина номера
98 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
99 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
100 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
101 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
102 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
103 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
104 dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156021661584944120526934974594604520993/series_003_2_CR/A2507142228 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
105 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
106 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
107 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
108 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
109 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
110 dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.156389075510671877606923458507011517218/series_001_2_CR/A2507389755 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
111 dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158197739569377798130962967413133224194/series_002_2_CR/A2504245497 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
112 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_04.dcm l_hip_1.dcm l_hip_04.dcm ширина номера
113 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_05.dcm l_hip_2.dcm l_hip_05.dcm ширина номера
114 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/l_hip_06.dcm l_hip_3.dcm l_hip_06.dcm ширина номера
115 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_05.dcm r_hip_1.dcm r_hip_05.dcm ширина номера
116 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_06.dcm r_hip_2.dcm r_hip_06.dcm ширина номера
117 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_07.dcm r_hip_3.dcm r_hip_07.dcm ширина номера
118 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/r_hip_08.dcm r_hip_4.dcm r_hip_08.dcm ширина номера
119 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
120 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
121 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_3_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_03_bad.dcm spine_3_bad.dcm spine_03_bad.dcm ширина номера
122 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_4_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_003_6_CR/A2507266260 DXA/CR DXA/spine_04_bad.dcm spine_4_bad.dcm spine_04_bad.dcm ширина номера
123 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_07.dcm l_hip_1.dcm l_hip_07.dcm ширина номера
124 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_08.dcm l_hip_2.dcm l_hip_08.dcm ширина номера
125 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_09.dcm l_hip_3.dcm l_hip_09.dcm ширина номера
126 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_10.dcm l_hip_4.dcm l_hip_10.dcm ширина номера
127 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_11.dcm l_hip_5.dcm l_hip_11.dcm ширина номера
128 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_6.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/l_hip_12.dcm l_hip_6.dcm l_hip_12.dcm ширина номера
129 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_06.dcm r_hip_1.dcm r_hip_06.dcm ширина номера
130 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_07.dcm r_hip_2.dcm r_hip_07.dcm ширина номера
131 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_08.dcm r_hip_3.dcm r_hip_08.dcm ширина номера
132 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_09.dcm r_hip_4.dcm r_hip_09.dcm ширина номера
133 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_10.dcm r_hip_5.dcm r_hip_10.dcm ширина номера
134 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_6.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_hip_11.dcm r_hip_6.dcm r_hip_11.dcm ширина номера
135 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/r_spine_03.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_07.dcm r_spine_03.dcm spine_07.dcm порядок: сторона перед областью
136 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
137 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
138 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_3_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_03_bad.dcm spine_3_bad.dcm spine_03_bad.dcm ширина номера
139 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_4_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_04_bad.dcm spine_4_bad.dcm spine_04_bad.dcm ширина номера
140 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_5_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_05_bad.dcm spine_5_bad.dcm spine_05_bad.dcm ширина номера
141 dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_6_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.158646777318759504110695916200521633609/series_004_2_CR/A2507266260 DXA/CR DXA/spine_06_bad.dcm spine_6_bad.dcm spine_06_bad.dcm ширина номера
142 dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.159930383074323525630608416881201447861/series_002_2_CR/A2507139428 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
143 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
144 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
145 dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.164566280810634620154538016595892212884/series_001_2_CR/A2504291878 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
146 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
147 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
148 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
149 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
150 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
151 dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165091430504580219034019815337441064349/series_001_2_CR/A2504415443 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
152 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
153 dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.165355673991587715046346525964554729786/series_003_3_CR/A2506448267 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
154 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
155 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
156 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
157 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
158 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
159 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
160 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
161 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
162 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/r_hip_05.dcm r_hip_5.dcm r_hip_05.dcm ширина номера
163 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
164 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
165 dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.168317503020329569414190677927680518621/series_004_2_CR/A2507557128 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
166 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hop_02.dcm dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/r_hip_02.dcm r_hop_02.dcm r_hip_02.dcm опечатка hop
167 dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine.dcm dataset_hack/НД_для_обучения/Исследования/2.25.172445998420765569384934552191547932566/series_004_2_CR/A2507368766 DXA/CR DXA/spine_02.dcm spine.dcm spine_02.dcm нет номера
168 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
169 dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173731186748227489808861376513577450951/series_002_2_CR/A2507188958 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
170 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
171 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
172 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
173 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
174 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_01_bad.dcm r_hip_1_bad.dcm r_hip_01_bad.dcm ширина номера
175 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_02_bad.dcm r_hip_2_bad.dcm r_hip_02_bad.dcm ширина номера
176 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_3_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_03_bad.dcm r_hip_3_bad.dcm r_hip_03_bad.dcm ширина номера
177 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_4_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/r_hip_04_bad.dcm r_hip_4_bad.dcm r_hip_04_bad.dcm ширина номера
178 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
179 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
180 dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.173753313169335820519632380691065649420/series_003_2_CR/A2504265499 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
181 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
182 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
183 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
184 dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.175881661753775295785039265792986971602/series_003_2_CR/A2507266462 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
185 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
186 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
187 dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine-1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.175903805423871105435148927871625232853/series_001_2_CR/A2507159447 DXA/CR DXA/spine_01.dcm spine-1.dcm spine_01.dcm дефис вместо подчёркивания
188 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
189 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
190 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
191 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
192 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
193 dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.177745077805190810016231350557005569203/series_002_2_CR/A2504273759 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
194 dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.178533355209696795441380751187185128893/series_003_2_CR/A2507155452 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
195 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
196 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
197 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
198 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
199 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/l_hip_05.dcm l_hip_5.dcm l_hip_05.dcm ширина номера
200 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
201 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
202 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
203 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
204 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/r_hip_05.dcm r_hip_5.dcm r_hip_05.dcm ширина номера
205 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
206 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
207 dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.181196659018348153828200695057897449628/series_004_2_CR/A2507370620 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
208 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
209 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
210 dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.184198356665635336833172191504278054074/series_004_2_CR/A250788286 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
211 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
212 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
213 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
214 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
215 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
216 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
217 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
218 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
219 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/r_hip_05.dcm r_hip_5.dcm r_hip_05.dcm ширина номера
220 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
221 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
222 dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.186201010600484120326273381077449377115/series_004_2_CR/A250777475 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
223 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
224 dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.190807933410234695931591553323782771995/series_002_3_CR/A250762254 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
225 dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.220866240977467582196609708837940253840/series_001_2_CR/A2504258893 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
226 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_01_bad.dcm l_hip_1_bad.dcm l_hip_01_bad.dcm ширина номера
227 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_02_bad.dcm l_hip_2_bad.dcm l_hip_02_bad.dcm ширина номера
228 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_3_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_03_bad.dcm l_hip_3_bad.dcm l_hip_03_bad.dcm ширина номера
229 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_4_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/l_hip_04_bad.dcm l_hip_4_bad.dcm l_hip_04_bad.dcm ширина номера
230 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_01_bad.dcm r_hip_1_bad.dcm r_hip_01_bad.dcm ширина номера
231 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_02_bad.dcm r_hip_2_bad.dcm r_hip_02_bad.dcm ширина номера
232 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_3_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_03_bad.dcm r_hip_3_bad.dcm r_hip_03_bad.dcm ширина номера
233 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_4_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/r_hip_04_bad.dcm r_hip_4_bad.dcm r_hip_04_bad.dcm ширина номера
234 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
235 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
236 dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_3_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.234651502352368356456298825489565282446/series_002_2_CR/A2504307193 DXA/CR DXA/spine_03_bad.dcm spine_3_bad.dcm spine_03_bad.dcm ширина номера
237 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
238 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
239 dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.247714038039430659432048101646401574824/series_002_2_CR/A2504238024 DXA Exam/CR DXA Images/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
240 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
241 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
242 dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.269648774413746842548908998641183395622/series_001_2_CR/A2504393664 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
243 dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.269742577365511543488820993979123763373/series_003_2_CR/A250477751 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
244 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
245 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
246 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
247 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
248 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
249 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
250 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
251 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
252 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
253 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
254 dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_3_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.272690031744216183651627058502316132741/series_002_2_CR/A2504373414 DXA/CR DXA/spine_03_bad.dcm spine_3_bad.dcm spine_03_bad.dcm ширина номера
255 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
256 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
257 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
258 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
259 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
260 dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.276415754443998872860614500027519740375/series_002_2_CR/A2504387089 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
261 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
262 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
263 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
264 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
265 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
266 dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.277752758923974029595977676354128739670/series_002_2_CR/A2504223752 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
267 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
268 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
269 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
270 dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.29638026465755240167985424461715024381/series_004_3_CR/A2504115579 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
271 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
272 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
273 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
274 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
275 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/l_hip_05.dcm l_hip_5.dcm l_hip_05.dcm ширина номера
276 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
277 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
278 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
279 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
280 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
281 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
282 dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.307021710202910067378603383388989711646/series_004_2_CR/A2504110565 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
283 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
284 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
285 dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.314147167453134440746270747484612743945/series_002_2_CR/A2504224780 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
286 dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.322202456901330781765399791024580391565/series_002_2_CR/A2504350020 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
287 dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine.dcm dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01.dcm spine.dcm spine_01.dcm нет номера
288 dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.338439598607961312040815816824093323492/series_002_2_CR/A2504147124 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
289 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_03.dcm l_hip_1.dcm l_hip_03.dcm ширина номера
290 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/l_hip_04.dcm l_hip_2.dcm l_hip_04.dcm ширина номера
291 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
292 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/r_hip_04.dcm r_hip_2.dcm r_hip_04.dcm ширина номера
293 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine.dcm dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_02.dcm spine.dcm spine_02.dcm нет номера
294 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
295 dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_2_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.339027809107632348165171236474821772940/series_001_2_CR/A2504349642 DXA/CR DXA/spine_02_bad.dcm spine_2_bad.dcm spine_02_bad.dcm ширина номера
296 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
297 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
298 dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.37515662379281069436632838996073181551/series_001_2_CR/A2504329840 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
299 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
300 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
301 dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.39068163399801173920284179500049527111/series_002_2_CR/A2504195842 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
302 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
303 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
304 dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.48906424954135283790354958243772558962/series_001_2_CR/A2504185596 DXA Exam/CR DXA Images/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
305 dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.52532476139575422857225834315571570912/series_001_2_CR/A2504247961 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
306 dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip03.dcm dataset_hack/НД_для_обучения/Исследования/2.25.52982400970721161435951723390541696819/series_001_2_CR/A2504331065 DXA/CR DXA/r_hip_03.dcm r_hip03.dcm r_hip_03.dcm нет разделителя перед номером
307 dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.54396839637320114639948764487283877793/series_003_2_CR/A2504111090 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
308 dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.59542620917302828428419211045951914336/series_001_2_CR/A2504303391 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
309 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
310 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
311 dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.65954778282254353457041255543338557112/series_004_3_CR/A2504246289 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
312 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
313 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
314 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
315 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
316 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
317 dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.73070100851377917031356937075051545239/series_002_2_CR/A2504239110 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
318 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
319 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
320 dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.76710355977373089612172037086913478687/series_002_3_CR/A2504104830 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
321 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
322 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
323 dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.78999454687125053757525542837745968726/series_004_3_CR/A2504222617 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
324 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
325 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
326 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
327 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
328 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
329 dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.82912555346523716720160717883917565880/series_002_2_CR/A2504149480 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
330 dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_1_bad.dcm dataset_hack/НД_для_обучения/Исследования/2.25.87718478011637131470224319788530286374/series_002_2_CR/A2504337993 DXA/CR DXA/spine_01_bad.dcm spine_1_bad.dcm spine_01_bad.dcm ширина номера
331 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
332 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
333 dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.87869906212286587478854831452123526595/series_002_2_CR/A250419699 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
334 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_01.dcm l_hip_1.dcm l_hip_01.dcm ширина номера
335 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_02.dcm l_hip_2.dcm l_hip_02.dcm ширина номера
336 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_03.dcm l_hip_3.dcm l_hip_03.dcm ширина номера
337 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_04.dcm l_hip_4.dcm l_hip_04.dcm ширина номера
338 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_5.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/l_hip_05.dcm l_hip_5.dcm l_hip_05.dcm ширина номера
339 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_01.dcm r_hip_1.dcm r_hip_01.dcm ширина номера
340 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_02.dcm r_hip_2.dcm r_hip_02.dcm ширина номера
341 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_03.dcm r_hip_3.dcm r_hip_03.dcm ширина номера
342 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_4.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/r_hip_04.dcm r_hip_4.dcm r_hip_04.dcm ширина номера
343 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_1.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_01.dcm spine_1.dcm spine_01.dcm ширина номера
344 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_2.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_02.dcm spine_2.dcm spine_02.dcm ширина номера
345 dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_3.dcm dataset_hack/НД_для_обучения/Исследования/2.25.91981043841368764114007975581101713077/series_003_2_CR/A250496619 DXA/CR DXA/spine_03.dcm spine_3.dcm spine_03.dcm ширина номера
346 dataset_hack/Для теста/bad.dcm dataset_hack/Для теста/r_hip_01_bad.dcm bad.dcm r_hip_01_bad.dcm область присвоена по выводу модели

27
labels/split_expert_seed42.json Normal file
View File

@ -0,0 +1,27 @@
{
"val_studies": [
"1.2.840.113619.2.110.512719.20250403092052",
"2.25.122446767306607067205618235949445789306",
"2.25.126293418391331346694592071563510265596",
"2.25.13983650679559142983913935144968795415",
"2.25.151186844055172005615813066162721550889",
"2.25.157462338378550185821790046400986801350",
"2.25.159930383074323525630608416881201447861",
"2.25.167344201679287285499405412654740659745",
"2.25.173753313169335820519632380691065649420",
"2.25.184198356665635336833172191504278054074",
"2.25.186201010600484120326273381077449377115",
"2.25.215177279960644564778148238928738915103",
"2.25.217397325224876728316360420804118329081",
"2.25.29638026465755240167985424461715024381",
"2.25.339027809107632348165171236474821772940",
"2.25.73070100851377917031356937075051545239",
"2.25.82912555346523716720160717883917565880",
"2.25.87718478011637131470224319788530286374",
"2.25.91981043841368764114007975581101713077"
],
"val_fraction": 0.2,
"seed": 42,
"train_images": 199,
"val_images": 53
}

BIN
docs/lct_temppalte.pptx → models/dxa_model.pth
View File

Binary file not shown.

1475
models/train_report.json Normal file
View File

File diff suppressed because it is too large Load Diff

41
models/train_report.md Normal file
View File

@ -0,0 +1,41 @@
# Отчёт об обучении классификатора качества DXA
- Backbone: `resnet18`
- Устройство: `mps`
- Источник меток: `labels/labels_images.csv`
- Seed: 42, балансировка классов: `none`
- Размер выборок: train 199 снимков / 81 исследований, val 53 снимков / 19 исследований (разбиение по исследованиям)
- Предобработка: `{'norm': 'percentile', 'p_low': 0.5, 'p_high': 99.5, 'imagenet_norm': True, 'input_size': 224}`
- Обучено эпох: 64, лучшая эпоха: 39
- Рабочий порог (подобран по F1 на валидации): логит -0.4930 (вероятность 0.3792)
## Метрики на валидации (лучший чекпоинт)
| Метрика | Значение |
|---|---|
| Accuracy | 0.5849 |
| Precision | 0.4118 |
| Recall | 0.8750 |
| F1 | 0.5600 |
| ROC-AUC | 0.6706 |
| PR-AUC | 0.4585 |
| Порог (логит / вероятность) | -0.4930 / 0.3792 |
| TP/TN/FP/FN | 14/17/20/2 |
> Валидация невелика (единицы исследований), поэтому метрики имеют широкий доверительный интервал и не заменяют оценку на закрытом наборе.
## Метрики по анатомическим областям
| Область | n | Нарушений | ROC-AUC | F1 | Recall |
|---|---|---|---|---|---|
| spine | 19 | 5 | 0.9429 | 0.6667 | 1.0000 |
| hip_right | 17 | 6 | 0.5758 | 0.5333 | 0.6667 |
| hip_left | 17 | 5 | 0.5500 | 0.5000 | 1.0000 |
> Нарушения в наборе распределены крайне неравномерно (в позвоночнике ~29 % снимков против ~4–5 % у бёдер), а анатомическая область почти однозначно определяется по размеру кадра. Поэтому общий AUC частично отражает различение области, а не только распознавание дефекта: сопоставляйте общий показатель со значениями по областям.
## Ограничения и следующий шаг
- Единицей разметки в исходных данных было исследование; снимок наследует метку исследования, поэтому часть меток заведомо шумная.
- Область предсказывает вспомогательная голова; при ошибке области тип нарушения тоже будет определён неверно.
- Для устойчивой оценки нужен больший набор и независимый тест: на 20–50 снимках валидации доверительные интервалы метрик очень широкие.

BIN
public/static/arch.png
View File

Binary file not shown.
Side by Side

Before

Width:  |  Height:  |  Size: 458 KiB

22
requirements.txt
View File

@ -4,13 +4,6 @@
# pip install -r requirements.txt
# Для инференса на CPU (меньше образ, без CUDA-колёс):
# pip install -r requirements.txt --extra-index-url https://download.pytorch.org/whl/cpu
#
# Состав разбит на две части:
# 1) рабочие зависимости — используются приложением и обучением;
# 2) устаревшие модули — код старых сегментаторов, не подключённый к
# действующему API (src/model/segmentator.py, src/quality/medical_quality.py,
# src/core/orchestrator.py). Для контейнера инференса они не нужны:
# эти модули не импортируются ни из src/main.py, ни из src/dxa/*.
# --- Веб-слой ---
fastapi==0.128.8
@ -40,18 +33,3 @@ tqdm==4.70.0
# --- Тесты ---
pytest==8.4.2
# --- Устаревшие модули (не используются действующим API) ---
# TotalSegmentator при первом запуске скачивает собственные веса из сети,
# поэтому в офлайн-контейнер инференса его включать не следует.
# monai==1.5.2
# TotalSegmentator==2.18.0
# nibabel==5.3.3
# simpleitk==2.5.6
# pydicom-seg==0.4.1
# timm==1.0.29
# --- Сборка презентации (приложению не нужна) ---
# tools/build_deck.py собирает docs/deck.pptx из шаблона организаторов.
# В образ инференса эту зависимость ставить не нужно.
# python-pptx==1.0.2

31
src/__init__.py
View File

@ -1,30 +1 @@
"""
Bone Quality Assessment - главный пакет
Автоматизированная оценка качества денситометрических исследований
"""
# Управление версией
__version__ = "1.0.0"
__author__ = "Your Team"
# Импорт основных компонентов для удобного доступа
from src.config import Config
from src.data_loader import FlexibleDataset
from src.model import SegmentationEngine, UNet
# Что импортируется при "from src import *"
__all__ = [
"Config",
"FlexibleDataset",
"UNet",
"SegmentationEngine",
"QualityScorer",
"__version__",
]
# Можно добавить инициализацию логгера
import logging
from src.quality.quality_scorer import QualityScorer
logging.getLogger(__name__).addHandler(logging.NullHandler())
__version__ = "1.0.0"

13
src/api/__init__.py
View File

@ -1,13 +0,0 @@
"""
REST API для сервиса оценки качества
"""
from .endpoints import router as endpoints
from .root import router as root
from .annotation import router as annotation
__all__ = [
"endpoints",
"root",
"annotation"
]

224
src/api/annotation.py
View File

@ -1,224 +0,0 @@
# src/api/annotation_endpoints.py
from fastapi import APIRouter, File, UploadFile, HTTPException, Body
from fastapi.responses import JSONResponse, FileResponse
from pydantic import BaseModel
from typing import List, Dict, Any, Optional
import json
from pathlib import Path
import shutil
import uuid
from datetime import datetime
import base64
from PIL import Image
import io
router = APIRouter(prefix="/api/annotation", tags=["annotation"])
# Конфигурация
ANNOTATION_DIR = Path("data/annotations")
ANNOTATION_DIR.mkdir(parents=True, exist_ok=True)
# Хранилище сессий разметки
sessions = {}
class AnnotationPoint(BaseModel):
x: int
y: int
class AnnotationPolygon(BaseModel):
points: List[AnnotationPoint]
label: str = "bone"
class_id: int = 1
class AnnotationData(BaseModel):
image_id: str
polygons: List[AnnotationPolygon]
classification: Optional[Dict[str, Any]] = None
metadata: Optional[Dict[str, Any]] = None
class AnnotationSession:
"""Сессия разметки для одного пользователя"""
def __init__(self, session_id: str):
self.session_id = session_id
self.current_index = 0
self.images = []
self.annotations = {}
self.created_at = datetime.now()
def load_images(self, image_paths: List[str]):
self.images = image_paths
def get_current_image(self):
if self.current_index < len(self.images):
return self.images[self.current_index]
return None
def next_image(self):
self.current_index += 1
return self.get_current_image()
def prev_image(self):
self.current_index -= 1
if self.current_index < 0:
self.current_index = 0
return self.get_current_image()
def save_annotation(self, image_path: str, annotation: AnnotationData):
self.annotations[image_path] = annotation
def get_annotation(self, image_path: str):
return self.annotations.get(image_path)
# Эндпоинты
@router.post("/session/create")
async def create_session():
"""Создание новой сессии разметки"""
session_id = str(uuid.uuid4())[:8]
sessions[session_id] = AnnotationSession(session_id)
return {"session_id": session_id}
@router.post("/session/{session_id}/load")
async def load_images(session_id: str, image_paths: List[str] = Body(...)):
"""Загрузка списка изображений в сессию"""
if session_id not in sessions:
raise HTTPException(status_code=404, detail="Session not found")
session = sessions[session_id]
session.load_images(image_paths)
return {"status": "ok", "total": len(image_paths)}
@router.get("/session/{session_id}/current")
async def get_current_image(session_id: str):
"""Получение текущего изображения"""
if session_id not in sessions:
raise HTTPException(status_code=404, detail="Session not found")
session = sessions[session_id]
image_path = session.get_current_image()
if not image_path:
return {"status": "complete", "message": "All images annotated"}
# Читаем изображение
if Path(image_path).exists():
image = Image.open(image_path)
buffered = io.BytesIO()
image.save(buffered, format="PNG")
img_base64 = base64.b64encode(buffered.getvalue()).decode()
# Получаем существующую аннотацию
annotation = session.get_annotation(image_path)
return {
"status": "ok",
"image": {
"path": image_path,
"data": f"data:image/png;base64,{img_base64}",
"index": session.current_index,
"total": len(session.images)
},
"annotation": annotation.dict() if annotation else None
}
return {"status": "error", "message": "Image not found"}
@router.post("/session/{session_id}/save")
async def save_annotation(session_id: str, annotation: AnnotationData):
"""Сохранение разметки для текущего изображения"""
if session_id not in sessions:
raise HTTPException(status_code=404, detail="Session not found")
session = sessions[session_id]
image_path = session.get_current_image()
if not image_path:
raise HTTPException(status_code=400, detail="No current image")
session.save_annotation(image_path, annotation)
# Сохраняем в файл
save_path = ANNOTATION_DIR / f"{Path(image_path).stem}_annotation.json"
with open(save_path, 'w') as f:
json.dump(annotation.dict(), f, indent=2)
return {"status": "ok", "saved": str(save_path)}
@router.post("/session/{session_id}/next")
async def next_image(session_id: str):
"""Переход к следующему изображению"""
if session_id not in sessions:
raise HTTPException(status_code=404, detail="Session not found")
session = sessions[session_id]
session.next_image()
# Получаем следующее изображение
return await get_current_image(session_id)
@router.post("/session/{session_id}/prev")
async def prev_image(session_id: str):
"""Переход к предыдущему изображению"""
if session_id not in sessions:
raise HTTPException(status_code=404, detail="Session not found")
session = sessions[session_id]
session.prev_image()
return await get_current_image(session_id)
@router.post("/session/{session_id}/export")
async def export_dataset(session_id: str, format: str = "coco"):
"""Экспорт датасета в нужном формате"""
if session_id not in sessions:
raise HTTPException(status_code=404, detail="Session not found")
session = sessions[session_id]
if format == "coco":
return await export_coco(session)
elif format == "yolo":
return await export_yolo(session)
else:
raise HTTPException(status_code=400, detail="Unsupported format")
async def export_coco(session: AnnotationSession):
"""Экспорт в COCO формат"""
# TODO: Реализовать экспорт в COCO
return {"status": "ok", "format": "coco"}
async def export_yolo(session: AnnotationSession):
"""Экспорт в YOLO формат"""
# TODO: Реализовать экспорт в YOLO
return {"status": "ok", "format": "yolo"}
@router.get("/session/{session_id}/progress")
async def get_progress(session_id: str):
"""Получение прогресса разметки"""
if session_id not in sessions:
raise HTTPException(status_code=404, detail="Session not found")
session = sessions[session_id]
annotated = len(session.annotations)
total = len(session.images)
return {
"annotated": annotated,
"total": total,
"progress": (annotated / total * 100) if total > 0 else 0
}

184
src/api/endpoints.py
View File

@ -1,184 +0,0 @@
from fastapi import File, UploadFile, APIRouter
import numpy as np
from PIL import Image
import io
import torch
from pathlib import Path
import base64
from src import UNet
from src.api.schemas.health_response import HealthResponse
from src.api.schemas.quality_response import QualityResponse
from src.core import orchestrator
from src.core.config import config
from src.core.orchestrator import Orchestrator
from src.quality.quality_scorer import QualityScorer, convert_to_serializable
from src.utils.utils import get_device
orchestrator = Orchestrator(config)
router = APIRouter(prefix="/api/v1")
# Глобальные переменные
model = None
scorer = None
device = None
def load_models(path: str = "../../models/unet_cats_dogs.pth"):
"""Ленивая загрузка моделей"""
global model, scorer, device
if model is None:
device = get_device()
print(f"🔧 Используем устройство: {device}")
# Загрузка модели
model = UNet(in_channels=3, out_classes=2)
cwd = Path.cwd()
print(f"Директория инициализации скрипта: #{cwd}")
model_path = Path(path)
if model_path.exists():
print(f"📦 Загрузка модели из {model_path}")
state_dict = torch.load(model_path, map_location=device)
model.load_state_dict(state_dict)
model.to(device)
model.eval()
print(f"✅ Модель загружена на {device}")
else:
print(f"⚠️ Модель не найдена: {model_path}")
print(" Используем необученную модель (будет работать плохо)")
model.to(device)
if scorer is None:
scorer = QualityScorer()
print("✅ QualityScorer инициализирован")
return model, scorer, device
@router.post("/analyze", response_model=QualityResponse)
async def analyze_image(file: UploadFile = File(...)):
"""Анализ изображения на качество"""
try:
# Загрузка модели
# model, scorer, device = load_models()
# Чтение изображения
image_data = await file.read()
print(f"📸 Загружено {len(image_data)} байт")
# Конвертация в PIL Image
image = Image.open(io.BytesIO(image_data)).convert('RGB')
print(f" Изображение: {image.size}, {image.mode}")
# Сохраняем оригинал для визуализации
original_image = np.array(image)
original_size = image.size # (width, height)
result = orchestrator.analyze(image)
#
# # Подготовка для модели
# input_size = (256, 256)
# image_resized = image.resize(input_size)
# image_array = np.array(image_resized, dtype=np.float32) / 255.0
# image_array = image_array.transpose(2, 0, 1)
# image_tensor = torch.FloatTensor(image_array).unsqueeze(0).to(device)
#
# # Инференс
# with torch.no_grad():
# output = model(image_tensor)
# probs = torch.softmax(output, dim=1)
# pred_mask = probs.argmax(dim=1).squeeze().cpu().numpy()
#
# # Если маска пустая — пробуем порог
# if pred_mask.sum() == 0:
# print("⚠️ Маска пустая! Пробуем пороговую обработку...")
# prob_class1 = probs[0, 1].cpu().numpy()
# for threshold in [0.2, 0.15, 0.1]:
# temp_mask = (prob_class1 > threshold).astype(np.int64)
# if temp_mask.sum() > 0:
# print(f" ✅ Найден объект при пороге {threshold}")
# pred_mask = temp_mask
# break
#
# # Ресайз маски к оригинальному размеру
# mask_pil = Image.fromarray(pred_mask.astype(np.uint8))
# mask_pil = mask_pil.resize(original_size, resample=Image.NEAREST)
# mask = np.array(mask_pil)
#
# print(f" Финальная маска: {mask.shape}, сумма = {mask.sum()}")
# Конвертируем маску в base64 для передачи на фронтенд
mask_image = Image.fromarray((result.get("mask") * 255).astype(np.uint8))
buffer = io.BytesIO()
mask_image.save(buffer, format='PNG')
mask_base64 = base64.b64encode(buffer.getvalue()).decode('utf-8')
# Оценка качества
# quality_scores = scorer.evaluate(image=original_image, segmentation=result.get("mask"))
quality_scores = result.get("quality")
print(f"\n📊 Результаты:")
print(f" Качество: {quality_scores['overall_quality']}")
print(f" Уверенность: {quality_scores['confidence']:.2f}")
print(f" Количество проблем: {len(quality_scores['issues'])}")
# Конвертируем все numpy типы
quality_scores = convert_to_serializable(quality_scores)
print(f" Качество (NumPy): {quality_scores['overall_quality']}")
# Формирование ответа
return QualityResponse(
overall_quality=quality_scores["overall_quality"],
severity=quality_scores.get("severity", "LOW"),
issues=quality_scores.get("issues", []),
confidence=quality_scores.get("confidence", 0.5),
metrics=quality_scores.get("metrics", {}),
position_validation=quality_scores.get("metrics", {}).get("position", {}),
artifact_validation=quality_scores.get("metrics", {}).get("artifact", {}),
mask=mask_base64
)
except Exception as e:
import traceback
traceback.print_exc()
return QualityResponse(
overall_quality="ERROR",
severity="CRITICAL",
issues=[{"type": "PROCESSING_ERROR", "details": str(e), "severity": "critical"}],
confidence=0.0,
metrics={},
position_validation={"error": str(e)},
artifact_validation={"error": str(e)},
mask=None
)
@router.get("/health", response_model=HealthResponse)
async def health_check():
"""Проверка статуса сервиса"""
model, scorer, device = load_models()
model_path = Path("../../models/unet_cats_dogs.pth")
return HealthResponse(
status="ok",
model_loaded=model is not None,
device=str(device),
scorer_loaded=scorer is not None,
model_path_exists=model_path.exists()
)
@router.post("/switch_mode")
async def switch_mode(mode: str):
"""Переключение режима работы (разработка/медицина)"""
orchestrator.switch_mode(mode)
return {"status": "ok", "mode": mode}
@router.get("/info")
async def get_info():
"""Информация о текущем пайплайне"""
return orchestrator.get_info()

21
src/api/root.py
View File

@ -1,21 +0,0 @@
from fastapi import APIRouter
from pathlib import Path
from starlette.responses import FileResponse
router = APIRouter(tags=["root"])
@router.get("/")
async def root():
"""Главная страница"""
static_dir = Path(__file__).parent.parent / "api/static"
index_path = static_dir / "index.html"
if index_path.exists():
return FileResponse(str(index_path))
else:
return {
"service": "Bone Quality Assessment API",
"version": "1.0.0",
"docs": "/docs",
"health": "/api/v1/health",
"analyze": "/api/v1/analyze (POST)"
}

9
src/api/schemas/health_response.py
View File

@ -1,9 +0,0 @@
from pydantic import BaseModel
class HealthResponse(BaseModel):
status: str
model_loaded: bool
device: str
scorer_loaded: bool
model_path_exists: bool

58
src/api/schemas/quality_response.py
View File

@ -1,58 +0,0 @@
from typing import Any, Dict, List, Optional
from pydantic import BaseModel
class QualityResponse(BaseModel):
overall_quality: str
severity: str
issues: List[Dict[str, Any]]
confidence: float
metrics: Dict[str, Any]
position_validation: Optional[Dict[str, Any]] = None
artifact_validation: Optional[Dict[str, Any]] = None
mask: Optional[str] = None # base64 encoded mask image
# New detailed fields
violation_type: Optional[str] = None
reason: Optional[str] = None
confidence_per_class: Optional[Dict[str, float]] = None
view_quality: Optional[str] = None
anatomical_region: Optional[str] = None
class DetailedQualityResponse(BaseModel):
"""Detailed quality assessment response with all metrics"""
# Basic info
study_uid: str = ""
image_uid: str = ""
anatomical_region: str
quality_class: int
quality_label: str
# Detailed violation info
violation_type: str
reason: str
# Confidence
confidence: float
confidence_per_class: Dict[str, float]
# View quality
view_quality: str
# All metrics
metrics: Dict[str, Any]
# Region-specific
spine_completeness: Optional[Dict[str, Any]] = None
vertebral_contours: Optional[Dict[str, Any]] = None
hip_completeness: Optional[Dict[str, Any]] = None
hip_rotation: Optional[Dict[str, Any]] = None
# Overall
overall_quality: str
severity: str
# Visualization
mask: Optional[str] = None

1184
src/api/static/annotation.html
View File

File diff suppressed because it is too large Load Diff

0
src/classifiers/__init__.py
View File

29
src/classifiers/base.py
View File

@ -1,29 +0,0 @@
from abc import ABC, abstractmethod
import numpy as np
from PIL import Image
from typing import Union, Dict, Any
class BaseClassifier(ABC):
"""Базовый класс для всех классификаторов"""
@abstractmethod
def classify(self, image: Union[np.ndarray, Image.Image]) -> Dict[str, Any]:
"""
Классификация объекта на изображении
Args:
image: входное изображение
Returns:
Словарь с результатами классификации
"""
pass
@abstractmethod
def get_info(self) -> Dict[str, Any]:
"""Информация о модели"""
return {
"name": self.__class__.__name__,
"type": "classification"
}

276
src/classifiers/bone_condition_classifier.py
View File

@ -1,276 +0,0 @@
# src/models/bone_condition_classifier.py
from typing import Dict, Any, Union, Optional, List
import torch
import torch.nn as nn
import torchvision.models as models
from PIL import Image
import numpy as np
from pathlib import Path
from src.classifiers.base import BaseClassifier
# Маппинг состояний костей
BONE_CONDITIONS = {
0: "Normal",
1: "Osteopenia",
2: "Osteoporosis",
3: "Severe Osteoporosis",
4: "Fracture",
5: "Degenerative Changes",
6: "Arthritis",
7: "Tumor",
8: "Infection",
9: "Post-surgical Changes",
10: "Congenital Anomaly"
}
SEVERITY_MAP = {
"Normal": "None",
"Osteopenia": "Mild",
"Osteoporosis": "Moderate",
"Severe Osteoporosis": "Severe",
"Fracture": "Acute",
"Degenerative Changes": "Chronic",
"Arthritis": "Chronic",
"Tumor": "Severe",
"Infection": "Severe",
"Post-surgical Changes": "Mild",
"Congenital Anomaly": "Moderate"
}
class BoneConditionClassifier(BaseClassifier):
"""
Классификатор состояния костной ткани
Используется для медицинской диагностики на основе денситометрических изображений
"""
def __init__(
self,
model_path: Optional[str] = None,
device: str = 'cpu',
num_classes: int = 11, # 10 состояний + 1 норма
input_size: int = 224
):
"""
Args:
model_path: путь к обученной модели (опционально)
device: устройство для инференса ('cpu', 'mps', 'cuda')
num_classes: количество классов состояний
input_size: размер входного изображения
"""
self.device = device
self.input_size = input_size
self.num_classes = num_classes
# Используем предобученный ResNet50 как бэкбон
self.model = models.resnet50(pretrained=True)
# Заменяем последний слой на количество состояний
num_features = self.model.fc.in_features
self.model.fc = nn.Sequential(
nn.Dropout(0.5),
nn.Linear(num_features, 256),
nn.ReLU(),
nn.Dropout(0.3),
nn.Linear(256, num_classes)
)
# Загружаем веса если есть
self.loaded = False
if model_path and Path(model_path).exists():
try:
self.model.load_state_dict(torch.load(model_path, map_location=device))
self.loaded = True
print(f"✅ Загружен классификатор костей из {model_path}")
except Exception as e:
print(f"⚠️ Ошибка загрузки модели из {model_path}: {e}")
print(" Используем неподготовленную модель (будет работать плохо)")
else:
print("⚠️ Классификатор костей не найден")
print(f" Ожидается: {model_path}")
print(" Обучите модель на медицинских данных перед использованием")
self.model.to(device)
self.model.eval()
# Нормализация для медицинских изображений (можно адаптировать под DICOM)
self.mean = np.array([0.485, 0.456, 0.406])
self.std = np.array([0.229, 0.224, 0.225])
print(f"📊 Модель на устройстве: {device}")
print(f"📋 Количество классов: {num_classes}")
def preprocess(self, image: Union[np.ndarray, Image.Image]) -> torch.Tensor:
"""
Предобработка изображения для модели
Args:
image: входное изображение
Returns:
torch.Tensor: подготовленный тензор
"""
# Конвертация в PIL Image
if isinstance(image, np.ndarray):
image = Image.fromarray(image)
# Ресайз
image = image.resize((self.input_size, self.input_size))
# Конвертация в массив и нормализация
image_array = np.array(image, dtype=np.float32) / 255.0
# Если изображение grayscale, конвертируем в RGB
if len(image_array.shape) == 2:
image_array = np.stack([image_array] * 3, axis=2)
elif image_array.shape[2] == 1:
image_array = np.concatenate([image_array] * 3, axis=2)
# Изменение порядка каналов HWC -> CHW
image_array = image_array.transpose(2, 0, 1)
# Нормализация
for i in range(3):
image_array[i] = (image_array[i] - self.mean[i]) / self.std[i]
return torch.FloatTensor(image_array).unsqueeze(0).to(self.device)
def predict(self, image: Union[np.ndarray, Image.Image]) -> Dict[str, Any]:
"""
Предсказание состояния костной ткани
Args:
image: изображение в формате numpy array или PIL Image
Returns:
Словарь с результатами:
- condition_id: ID состояния
- condition_name: название состояния
- severity: серьезность состояния
- confidence: уверенность (0-1)
- all_probs: вероятности всех классов
- loaded: загружена ли модель
"""
# Проверка загрузки модели
if not self.loaded:
return {
"condition_id": -1,
"condition_name": "Unknown",
"severity": "Unknown",
"confidence": 0.0,
"loaded": False,
"error": "Model not loaded"
}
try:
# Предобработка
image_tensor = self.preprocess(image)
# Инференс
with torch.no_grad():
outputs = self.model(image_tensor)
probabilities = torch.softmax(outputs, dim=1)
confidence, predicted = torch.max(probabilities, 1)
# Формируем результат
condition_id = predicted.item()
confidence_score = confidence.item()
all_probs = probabilities.cpu().numpy().tolist()[0]
condition_name = BONE_CONDITIONS.get(condition_id, "Unknown")
severity = SEVERITY_MAP.get(condition_name, "Unknown")
# Дополнительные метрики для медицинского контекста
is_abnormal = condition_id != 0
risk_level = "Low"
if condition_id in [2, 3, 7, 8]: # Остеопороз, опухоль, инфекция
risk_level = "High"
elif condition_id in [1, 4, 5, 6]: # Остеопения, перелом, дегенерация
risk_level = "Medium"
return {
"condition_id": condition_id,
"condition_name": condition_name,
"severity": severity,
"confidence": confidence_score,
"all_probs": all_probs,
"is_abnormal": is_abnormal,
"risk_level": risk_level,
"loaded": True,
"error": None
}
except Exception as e:
return {
"condition_id": -1,
"condition_name": "Error",
"severity": "Unknown",
"confidence": 0.0,
"loaded": self.loaded,
"error": str(e)
}
def classify(self, image: Union[np.ndarray, Image.Image]) -> Dict[str, Any]:
"""Алиас для predict (для совместимости с BaseClassifier)"""
return self.predict(image)
def predict_batch(self, images: List[Union[np.ndarray, Image.Image]]) -> List[Dict[str, Any]]:
"""
Предсказание для батча изображений
Args:
images: список изображений
Returns:
Список результатов для каждого изображения
"""
return [self.predict(img) for img in images]
def get_info(self) -> Dict[str, Any]:
"""Информация о классификаторе"""
return {
"name": self.__class__.__name__,
"type": "classification",
"target": "bone_conditions",
"num_classes": self.num_classes,
"loaded": self.loaded,
"device": self.device,
"model_architecture": "ResNet50 + Custom Head",
"pretrained": True,
"input_size": self.input_size,
"conditions": list(BONE_CONDITIONS.values()),
"severity_map": SEVERITY_MAP
}
def get_recommendations(self, condition_id: int) -> List[str]:
"""
Получение рекомендаций на основе состояния
Args:
condition_id: ID состояния
Returns:
Список рекомендаций
"""
recommendations = {
0: ["✅ Состояние в норме", "Продолжайте мониторинг"],
1: ["⚠️ Начальные изменения плотности", "Рекомендуется контроль через 6 месяцев",
"Увеличьте потребление кальция"],
2: ["🔴 Умеренное снижение плотности", "Рекомендуется контроль через 3 месяца", "Консультация эндокринолога",
"Препараты кальция и витамин D"],
3: ["🚨 Критическое снижение плотности", "Немедленная консультация специалиста", "Интенсивная терапия",
"Мониторинг переломов"],
4: ["🦴 Обнаружен перелом", "Иммобилизация", "Консультация травматолога", "Контрольная рентгенография"],
5: ["⚙️ Дегенеративные изменения", "Физиотерапия", "Противовоспалительная терапия",
"Контроль через 6 месяцев"],
6: ["🔄 Артрит", "Противовоспалительная терапия", "Физиотерапия", "Консультация ревматолога"],
7: ["🧬 Подозрение на опухоль", "Срочная консультация онколога", "МРТ/КТ исследование", "Биопсия"],
8: ["🦠 Подозрение на инфекцию", "Антибактериальная терапия", "Консультация инфекциониста",
"Контрольный анализ"],
9: ["🔧 Послеоперационные изменения", "Контроль через 3 месяца", "Физиотерапия", "Наблюдение хирурга"],
10: ["🧬 Врожденная аномалия", "Консультация генетика", "Индивидуальный план лечения", "Мониторинг развития"]
}
return recommendations.get(condition_id, ["Обратитесь к специалисту"])

40
src/classifiers/simple_classifier.py
View File

@ -1,40 +0,0 @@
from typing import Union, Dict, Any
import numpy as np
from PIL import Image
from src.classifiers.bone_condition_classifier import BoneConditionClassifier
# Упрощенная версия для быстрого старта
class SimpleBoneConditionClassifier(BoneConditionClassifier):
"""
Упрощенная версия классификатора для демонстрации
Использует предобученный ResNet50 без дообучения
"""
def __init__(self, device: str = 'cpu'):
super().__init__(
model_path=None, # Не загружаем веса
device=device,
num_classes=2 # Только 2 класса: норма/аномалия
)
print("⚠️ Используется упрощенная версия классификатора")
print(" Для точной работы обучите модель на медицинских данных")
def predict(self, image: Union[np.ndarray, Image.Image]) -> Dict[str, Any]:
"""Упрощенное предсказание для демонстрации"""
if not self.loaded:
# Имитация работы для демо
return {
"condition_id": 0,
"condition_name": "Normal (Demo)",
"severity": "None",
"confidence": 0.95,
"loaded": True,
"error": None,
"is_abnormal": False,
"risk_level": "Low",
"demo_mode": True
}
return super().predict(image)

6
src/config.py
View File

@ -1,6 +0,0 @@
class Config:
# DXA Quality Assessment Configuration
SEGMENTATION_MODEL = "dxa_model.pth"
DATA_PATH = "dataset_hack/"
INPUT_SIZE = (224, 224)
NUM_CLASSES = 2 # quality OK / violation

0
src/core/__init__.py
View File

26
src/core/config.py
View File

@ -1,26 +0,0 @@
from pydantic import BaseModel
from typing import Literal, Dict, Any
class PipelineConfig(BaseModel):
"""Конфигурация пайплайна"""
# Какой сегментатор использовать
segmentator: Literal["unet", "totalsegmentator", "custom"] = "unet"
# Какой классификатор использовать
classifier: Literal["pet_breed", "bone_condition", "disease"] = "pet_breed"
# Дополнительные параметры
params: Dict[str, Any] = {
"input_size": (256, 256),
"device": "auto",
"threshold": 0.5
}
# Режим работы
mode: Literal["development", "medical"] = "development"
# Глобальная конфигурация
config = PipelineConfig()

121
src/core/orchestrator.py
View File

@ -1,121 +0,0 @@
# src/core/orchestrator.py
import torch
import numpy as np
from PIL import Image
from typing import Dict, Any
from src.classifiers.bone_condition_classifier import BoneConditionClassifier
from src.core.config import PipelineConfig
from src.core.registry import ModelRegistry
from src.quality.universal_scorer import UniversalQualityScorer
from src.segmentators.totalsegmentator_wrapper import TotalSegmentatorWrapper
# Регистрируем модели
ModelRegistry.register_segmentator("totalsegmentator", TotalSegmentatorWrapper)
ModelRegistry.register_classifier("bone_condition", BoneConditionClassifier)
class Orchestrator:
"""Главный оркестратор для управления пайплайном"""
def __init__(self, config: PipelineConfig = None):
self.config = config or PipelineConfig()
self.device = self._get_device()
# Инициализация компонентов
self._init_components()
def _get_device(self):
"""Определение устройства"""
if torch.backends.mps.is_available():
return "mps"
elif torch.cuda.is_available():
return "cuda"
else:
return "cpu"
def _init_components(self):
"""Инициализация компонентов на основе конфигурации"""
# Сегментатор
segmentator_class = ModelRegistry.get_segmentator(self.config.segmentator)
if segmentator_class:
# Передаем device для TotalSegmentator
if self.config.segmentator == "totalsegmentator":
self.segmentator = segmentator_class(device=self.device)
else:
self.segmentator = segmentator_class(device=self.device)
else:
raise ValueError(f"Сегментатор {self.config.segmentator} не найден")
# Классификатор
classifier_class = ModelRegistry.get_classifier(self.config.classifier)
if classifier_class:
self.classifier = classifier_class(device=self.device)
else:
print(f"⚠️ Классификатор {self.config.classifier} не найден")
self.classifier = None
# Quality Scorer (универсальный)
self.quality_scorer = UniversalQualityScorer()
def analyze(self, image) -> Dict[str, Any]:
"""Полный анализ изображения"""
# 1. Сегментация
mask = self.segmentator.segment(image)
# 2. Классификация (если есть)
classification_result = None
if self.classifier:
classification_result = self.classifier.classify(image)
# 3. Оценка качества
if isinstance(image, Image.Image):
image_array = np.array(image)
else:
image_array = image
quality_result = self.quality_scorer.evaluate(
image=image_array,
segmentation=mask
# ,
# config=self.config
)
# 4. Сборка результата
return {
"mask": mask,
"classification": classification_result,
"quality": quality_result,
"pipeline_info": {
"segmentator": self.segmentator.get_info(),
"classifier": self.classifier.get_info() if self.classifier else None,
"mode": self.config.mode
}
}
def switch_mode(self, mode: str):
"""Переключение режима работы"""
self.config.mode = mode
# Если переключаемся на медицинский режим
if mode == "medical":
self.config.segmentator = "totalsegmentator"
self.config.classifier = "bone_condition"
else:
self.config.segmentator = "unet"
self.config.classifier = "pet_breed"
# Переинициализация компонентов
self._init_components()
print(f"✅ Переключено на режим: {mode}")
def get_info(self) -> Dict[str, Any]:
"""Информация о текущем пайплайне"""
return {
"mode": self.config.mode,
"segmentator": self.segmentator.get_info(),
"classifier": self.classifier.get_info() if self.classifier else None,
"device": self.device,
"available_segmentators": ModelRegistry.list_segmentators(),
"available_classifiers": ModelRegistry.list_classifiers()
}

40
src/core/registry.py
View File

@ -1,40 +0,0 @@
from typing import Dict, Type
from src.segmentators.base import BaseSegmentator
from src.classifiers.base import BaseClassifier
class ModelRegistry:
"""Регистр моделей для плагинной системы"""
_segmentators: Dict[str, Type[BaseSegmentator]] = {}
_classifiers: Dict[str, Type[BaseClassifier]] = {}
@classmethod
def register_segmentator(cls, name: str, segmentator_class: Type[BaseSegmentator]):
"""Регистрация сегментатора"""
cls._segmentators[name] = segmentator_class
@classmethod
def register_classifier(cls, name: str, classifier_class: Type[BaseClassifier]):
"""Регистрация классификатора"""
cls._classifiers[name] = classifier_class
@classmethod
def get_segmentator(cls, name: str):
"""Получение сегментатора по имени"""
return cls._segmentators.get(name)
@classmethod
def get_classifier(cls, name: str):
"""Получение классификатора по имени"""
return cls._classifiers.get(name)
@classmethod
def list_segmentators(cls):
"""Список доступных сегментаторов"""
return list(cls._segmentators.keys())
@classmethod
def list_classifiers(cls):
"""Список доступных классификаторов"""
return list(cls._classifiers.keys())

47
src/data_loader.py
View File

@ -1,47 +0,0 @@
import torch
from torch.utils.data import Dataset
import numpy as np
from PIL import Image
import os
class FlexibleDataset(Dataset):
"""Датасет, который можно адаптировать под любые данные"""
def __init__(self, data_dir, is_train=True, input_size=(512, 512)):
self.data_dir = data_dir
self.input_size = input_size
self.is_train = is_train
# Собираем все изображения
self.images = []
self.masks = []
# Ищем файлы (эта логика будет меняться под DICOM)
for f in os.listdir(os.path.join(data_dir, 'images')):
if f.endswith(('.jpg', '.png')):
self.images.append(os.path.join(data_dir, 'images', f))
mask_path = os.path.join(data_dir, 'masks', f.replace('.jpg', '.png'))
if os.path.exists(mask_path):
self.masks.append(mask_path)
def __len__(self):
return len(self.images)
def __getitem__(self, idx):
# Загрузка изображения
image = Image.open(self.images[idx]).convert('RGB')
image = image.resize(self.input_size)
image = np.array(image).transpose(2, 0, 1) / 255.0
# Загрузка маски (если есть)
if idx < len(self.masks):
mask = Image.open(self.masks[idx])
mask = mask.resize(self.input_size)
mask = np.array(mask)
# Бинаризация (0 - фон, 1 - объект)
mask = (mask > 128).astype(np.int64)
else:
mask = np.zeros(self.input_size, dtype=np.int64)
return torch.FloatTensor(image), torch.LongTensor(mask)

0
src/dataloaders/__init__.py
View File

141
src/dataloaders/pet_dataset.py
View File

@ -1,141 +0,0 @@
import os
import torch
from torch.utils.data import Dataset, DataLoader
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
from pathlib import Path
class PetDataset(Dataset):
"""Датасет для котиков и собачек из Oxford-IIIT Pet"""
def __init__(self, data_root, split='trainval', input_size=(512, 512),
binary_mask=True):
"""
Args:
data_root: путь к корневой папке с датасетом
split: 'trainval' или 'test'
input_size: размер для ресайза (H, W)
binary_mask: True -> бинарная маска (фон/объект),
False -> 3 класса (фон/объект/непонятно)
"""
self.data_root = Path(data_root)
self.input_size = input_size
self.binary_mask = binary_mask
# Пути к папкам
self.images_dir = self.data_root / 'images'
self.trimaps_dir = self.data_root / 'annotations' / 'trimaps'
# Читаем список файлов для сплита
split_file = self.data_root / 'annotations' / f'{split}.txt'
with open(split_file, 'r') as f:
self.image_names = [line.strip().split()[0] for line in f.readlines()]
print(f"Загружено {len(self.image_names)} изображений для {split}")
def __len__(self):
return len(self.image_names)
def __getitem__(self, idx):
# Получаем имя файла без расширения
img_name = self.image_names[idx]
# Загружаем изображение (RGB)
img_path = self.images_dir / f'{img_name}.jpg'
image = Image.open(img_path).convert('RGB')
image = image.resize(self.input_size)
image = np.array(image, dtype=np.float32) / 255.0 # Нормализация 0-1
image = image.transpose(2, 0, 1) # HWC -> CHW
# Загружаем маску (trimap)
mask_path = self.trimaps_dir / f'{img_name}.png'
mask = Image.open(mask_path)
mask = mask.resize(self.input_size, resample=Image.NEAREST)
mask = np.array(mask, dtype=np.int64)
if self.binary_mask:
# Бинарная маска: 1 -> объект (все что не фон)
# В оригинале: 1=объект, 2=фон, 3=непонятно
mask = (mask != 2).astype(np.int64) # 1 если не фон, иначе 0
return torch.FloatTensor(image), torch.LongTensor(mask)
def visualize(self, idx):
"""Визуализация примера"""
image, mask = self[idx]
# Переводим обратно в numpy для отображения
image_np = image.numpy().transpose(1, 2, 0)
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(image_np)
axes[0].set_title('Изображение')
axes[0].axis('off')
axes[1].imshow(mask.numpy(), cmap='tab10', alpha=0.7)
axes[1].set_title('Маска (сегментация)')
axes[1].axis('off')
plt.show()
def create_dataloaders(data_root, batch_size=8, input_size=(512, 512)):
"""Создает train и val загрузчики"""
# Обучающая выборка
train_dataset = PetDataset(
data_root=data_root,
split='trainval',
input_size=input_size,
binary_mask=True
)
# Тестовая выборка
val_dataset = PetDataset(
data_root=data_root,
split='test',
input_size=input_size,
binary_mask=True
)
train_loader = DataLoader(
train_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=4,
pin_memory=True
)
val_loader = DataLoader(
val_dataset,
batch_size=batch_size,
shuffle=False,
num_workers=4,
pin_memory=True
)
return train_loader, val_loader
if __name__ == "__main__":
# Тестируем даталоадер
data_root = "/Users/denis/workspace/bone_2026/datasets/oxford-iiit-pet" # путь к твоей папке
train_loader, val_loader = create_dataloaders(
data_root=data_root,
batch_size=4,
input_size=(256, 256) # маленький размер для теста
)
# Проверяем один батч
images, masks = next(iter(train_loader))
print(f"Batch images shape: {images.shape}") # [B, 3, H, W]
print(f"Batch masks shape: {masks.shape}") # [B, H, W]
print(f"Unique mask values: {torch.unique(masks)}") # Должно быть [0, 1]
# Визуализируем первый пример
dataset = PetDataset(data_root=data_root, split='trainval')
dataset.visualize(0)

4
src/dxa/excel_labels.py
View File

@ -13,7 +13,7 @@
сравнение на held-out наборе (ROC-AUC 0.6199 против 0.6764) и оставлен, чтобы
результат можно было воспроизвести. Вариант `expert` служит эталоном при оценке.
Соглашения таблицы (проверены по данным, см. `docs/labeling.md`):
Соглашения таблицы (проверены по данным, см. `assets/labeling.md`):
* значение 1 в столбце критерия означает нарушение, хотя часть заголовков
сформулирована положительно («корректная укладка»). Итог области равен
логическому ИЛИ критериев: для бёдер 72/72, для позвоночника 96/99;
@ -96,7 +96,7 @@ LABEL_RULES = ("union", "table", "expert")
#: По умолчанию метка берётся только из экспертной таблицы: суффиксы имён файлов
#: проставлялись вручную и оказались ненадёжными. На held-out наборе правило
#: `table` дало ROC-AUC 0.6764 против 0.6199 у `union` (парная разница +0.0564,
#: 5 из 5 seed'ов) — см. `models/compare_rules/rule_comparison.md`.
#: 5 из 5 seed'ов) — см. §8 в `assets/labeling.md`.
DEFAULT_LABEL_RULE = "table"
HIP_REGIONS = ("hip_right", "hip_left")

8
src/dxa/model_card.py
View File

@ -3,13 +3,13 @@
Модуль — источник данных для эндпоинта `/api/v1/model` и панели «О модели» в
веб-интерфейсе. Значения зафиксированы на дату снимка и снабжены ссылками на
источник, потому что API в контейнере не имеет доступа ни к `docs/labeling.md`,
источник, потому что API в контейнере не имеет доступа ни к `assets/labeling.md`,
ни к артефактам экспериментов: в образ копируется только `src/`.
Честность чисел важнее полноты:
* метрики сравнения — среднее по пяти seed'ам с 95 % доверительным интервалом
(`models/compare_rules/rule_comparison.md`);
(`assets/labeling.md`; воспроизводится `./run.sh split && ./run.sh compare`);
* рабочий чекпоинт — обычный прогон с seed по умолчанию, не лучший из выборки,
поэтому его собственная валидационная оценка близка к среднему по seed'ам;
* эталон оценки — вердикт эксперта из таблицы, независимой истины нет, поэтому
@ -26,8 +26,8 @@ SNAPSHOT_DATE = "2026-09-26"
#: Источник чисел — чтобы их можно было перепроверить, а не принимать на веру.
SOURCES: List[str] = [
"docs/labeling.md — как построена разметка и как выбиралось правило",
"models/compare_rules/rule_comparison.md — машинный отчёт сравнения правил",
"assets/labeling.md — как построена разметка и как выбиралось правило",
"./run.sh split && ./run.sh compare — воспроизведение сравнения правил",
"models/train_report.json — отчёт обучения рабочего чекпоинта",
]

4
src/dxa/train.py
View File

@ -12,10 +12,10 @@
1. **Метки на уровне снимка.** Источник — `labels/labels_images.csv`,
построенный из экспертной таблицы (`./run.sh label`, см.
`src/dxa/excel_labels.py` и `docs/labeling.md`): оценка исследования
`src/dxa/excel_labels.py` и `assets/labeling.md`): оценка исследования
переносится на снимок области. Ручные пометки из имён файлов в метках не
участвуют — они оказались ненадёжными (расходились с экспертом в 15 случаях
из 252) и дали худшее качество на held-out наборе; см. §4 в `docs/labeling.md`.
из 252) и дали худшее качество на held-out наборе; см. §4 в `assets/labeling.md`.
Резервный режим `--labels-csv ""` берёт метку из суффикса `_good`/`_bad`.
2. **Склейка дублей.** В датасете 544 файла, но всего 252 уникальных снимка:
один и тот же кадр сохранён многократно под разными именами. Без склейки

39
src/model/__init__.py
View File

@ -1,39 +0,0 @@
"""
Модели для сегментации
"""
__all__ = [
"UNet",
"DoubleConv",
"DownBlock",
"UpBlock",
"SegmentationEngine"
]
from src.model.segmentator import SegmentationEngine
from src.model.unet import DoubleConv, UpBlock, DownBlock, UNet
MODEL_REGISTRY = {
"unet": UNet,
"totalsegmentator": "TotalSegmentator (external)"
}
def get_model(name, **kwargs):
"""
Фабричный метод для получения модели по имени
Args:
name: Имя модели ("unet", "totalsegmentator")
**kwargs: Параметры для модели
Returns:
Модель для сегментации
"""
if name == "unet":
return UNet(**kwargs)
# elif name == "totalsegmentator":
# from src.models.segmentator import TotalSegmentatorWrapper
# return TotalSegmentatorWrapper(**kwargs)
else:
raise ValueError(f"Unknown model: {name}")

198
src/model/segmentator.py
View File

@ -1,198 +0,0 @@
import torch
import numpy as np
import cv2
from typing import Optional
import os
from src.model.unet import UNet
class SegmentationEngine:
def __init__(self, use_totalsegmentator=False, model_path: Optional[str] = None, device: str = 'cpu'):
"""
Инициализация движка сегментации
Args:
use_totalsegmentator: использовать TotalSegmentator (если False - UNet)
model_path: путь к файлу модели UNet (.pth)
device: 'cpu' или 'cuda'
"""
self.use_totalsegmentator = use_totalsegmentator
self.device = device if torch.cuda.is_available() else 'cpu'
# Определяем путь к модели по умолчанию
if model_path is None:
# Ищем модель в стандартных папках
possible_paths = [
"models/unet_bone.pth",
"../models/unet_bone.pth",
"../../models/unet_bone.pth",
os.path.expanduser("~/models/unet_bone.pth")
]
for path in possible_paths:
if os.path.exists(path):
model_path = path
break
if use_totalsegmentator:
self.model = self._load_totalsegmentator()
else:
self.model = self._load_unet(model_path)
print(f"✅ SegmentationEngine инициализирован на {self.device}")
print(f" Модель: {'TotalSegmentator' if use_totalsegmentator else 'UNet'}")
if model_path:
print(f" Путь: {model_path}")
def segment(self, image: np.ndarray) -> np.ndarray:
"""
Сегментация изображения
Args:
image: изображение [H, W] или [H, W, C]
Returns:
Бинарная маска сегментации [H, W]
"""
if self.use_totalsegmentator:
return self._segment_with_totalsegmentator(image)
else:
return self._segment_with_unet(image)
def _load_unet(self, model_path: Optional[str] = None) -> torch.nn.Module:
"""Загрузка UNet модели"""
if model_path is None or not os.path.exists(model_path):
print("⚠️ Модель не найдена, создаем новую UNet с случайными весами")
# Создаем модель с случайными весами для тестирования
model = UNet(in_channels=3, out_classes=1)
model.to(self.device)
model.eval()
return model
try:
model = UNet(in_channels=3, out_classes=1)
state_dict = torch.load(model_path, map_location=self.device)
model.load_state_dict(state_dict)
model.to(self.device)
model.eval()
print(f"✅ Модель загружена из {model_path}")
return model
except Exception as e:
print(f"❌ Ошибка загрузки модели: {e}")
# Создаем заглушку
model = UNet(in_channels=3, out_classes=1)
model.to(self.device)
model.eval()
return model
def _load_totalsegmentator(self):
"""Загрузка TotalSegmentator (заглушка)"""
print("ℹ️ TotalSegmentator пока не реализован, используем UNet")
return self._load_unet()
def _segment_with_unet(self, image: np.ndarray) -> np.ndarray:
"""
Сегментация с помощью UNet
Args:
image: изображение [H, W] или [H, W, C]
Returns:
Бинарная маска [H, W]
"""
# Подготовка изображения
if len(image.shape) == 2:
# Если изображение в градациях серого, конвертируем в RGB
image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)
elif image.shape[-1] == 4:
# Если есть альфа-канал, убираем его
image = image[:, :, :3]
# Нормализация и ресайз
original_shape = image.shape[:2]
# Ресайз до размера, который ожидает модель (обычно 256x256 или 512x512)
target_size = 256
if image.shape[0] != target_size or image.shape[1] != target_size:
image = cv2.resize(image, (target_size, target_size))
# Преобразование в тензор
image_tensor = torch.from_numpy(image).float().permute(2, 0, 1) / 255.0
image_tensor = image_tensor.unsqueeze(0).to(self.device)
# Инференс
with torch.no_grad():
output = self.model(image_tensor)
# Если вывод модели - многоканальный (классы), берем argmax
if output.shape[1] > 1:
mask = torch.argmax(output, dim=1)
else:
# Если бинарная сегментация, применяем порог
mask = torch.sigmoid(output)
mask = (mask > 0.5).float()
mask = mask.squeeze().cpu().numpy()
# Ресайз обратно к оригинальному размеру
if mask.shape != original_shape:
mask = cv2.resize(mask.astype(np.float32), (original_shape[1], original_shape[0]))
mask = (mask > 0.5).astype(np.uint8)
return mask
def _segment_with_totalsegmentator(self, image: np.ndarray) -> np.ndarray:
"""Сегментация с помощью TotalSegmentator (заглушка)"""
print("ℹ️ Используем заглушку TotalSegmentator")
# Создаем искусственную маску (круг в центре)
h, w = image.shape[:2]
mask = np.zeros((h, w), dtype=np.uint8)
center = (w // 2, h // 2)
radius = min(h, w) // 4
cv2.circle(mask, center, radius, 1, -1)
return mask
def preprocess(self, image: np.ndarray) -> np.ndarray:
"""Предобработка изображения перед сегментацией"""
# Если изображение в градациях серого
if len(image.shape) == 2:
image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)
# Нормализация интенсивности
image = image.astype(np.float32)
if image.max() > 1.0:
image = image / 255.0
# CLAHE для улучшения контраста (опционально)
if len(image.shape) == 3 and image.shape[2] == 3:
lab = cv2.cvtColor((image * 255).astype(np.uint8), cv2.COLOR_RGB2LAB)
lab[:, :, 0] = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)).apply(lab[:, :, 0])
image = cv2.cvtColor(lab, cv2.COLOR_LAB2RGB) / 255.0
return image
# Создание тестовой модели для отладки
def create_dummy_unet():
"""Создает UNet с случайными весами для тестирования"""
from src import UNet
model = UNet(in_channels=3, out_classes=1)
return model
# Функция для создания маски-заглушки (если нет модели)
def create_dummy_mask(image: np.ndarray) -> np.ndarray:
"""Создает искусственную маску для тестирования"""
h, w = image.shape[:2]
mask = np.zeros((h, w), dtype=np.uint8)
# Создаем эллипс в центре
center = (w // 2, h // 2)
axes = (w // 4, h // 3)
cv2.ellipse(mask, center, axes, 0, 0, 360, 1, -1)
# Добавляем немного шума
noise = np.random.random((h, w)) < 0.02
mask[noise] = 1
return mask

122
src/model/unet.py
View File

@ -1,122 +0,0 @@
import torch
import torch.nn as nn
import torch.nn.functional as F
class DoubleConv(nn.Module):
"""Два сверточных слоя с GELU активацией"""
def __init__(self, in_channels, out_channels, dropout=0.0):
super().__init__()
self.double_conv = nn.Sequential(
nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
nn.BatchNorm2d(out_channels),
nn.GELU(),
nn.Dropout2d(dropout), # добавляем dropout для регуляризации
nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),
nn.BatchNorm2d(out_channels),
nn.GELU(),
)
def forward(self, x):
return self.double_conv(x)
class DownBlock(nn.Module):
"""Блок энкодера: DoubleConv + MaxPool"""
def __init__(self, in_channels, out_channels, dropout=0.0):
super().__init__()
self.double_conv = DoubleConv(in_channels, out_channels, dropout)
self.maxpool = nn.MaxPool2d(2)
def forward(self, x):
# Сохраняем результат DoubleConv для skip connection
conv_out = self.double_conv(x)
pooled_out = self.maxpool(conv_out)
return conv_out, pooled_out
class UpBlock(nn.Module):
"""Блок декодера: Upsample + Concatenate + DoubleConv"""
def __init__(self, in_channels, out_channels, dropout=0.0):
super().__init__()
# Транспонированная свертка для апсемплинга
self.up_conv = nn.ConvTranspose2d(
in_channels, out_channels, kernel_size=2, stride=2
)
# После конкатенации будет (out_channels * 2)
self.double_conv = DoubleConv(out_channels * 2, out_channels, dropout)
def forward(self, x, skip_connection):
x = self.up_conv(x)
# Обрезаем skip_connection до размера x (если размеры не совпадают)
diffY = skip_connection.size()[2] - x.size()[2]
diffX = skip_connection.size()[3] - x.size()[3]
x = F.pad(x, [diffX // 2, diffX - diffX // 2,
diffY // 2, diffY - diffY // 2])
# Конкатенируем
x = torch.cat([skip_connection, x], dim=1)
return self.double_conv(x)
class UNet(nn.Module):
"""Полная архитектура U-Net"""
def __init__(self, in_channels=1, out_classes=2, features=[64, 128, 256, 512], dropout=0.1):
super().__init__()
self.encoder = nn.ModuleList()
self.decoder = nn.ModuleList()
# Encoder path
prev_channels = in_channels
for f in features:
self.encoder.append(DownBlock(prev_channels, f, dropout))
prev_channels = f
# Bottleneck
self.bottleneck = DoubleConv(prev_channels, features[-1] * 2, dropout)
# Decoder path (идем в обратном порядке)
for f in reversed(features):
self.decoder.append(UpBlock(f * 2, f, dropout))
# Final classification layer
self.final_conv = nn.Conv2d(features[0], out_classes, kernel_size=1)
def forward(self, x):
skip_connections = []
# Encoder
for down_block in self.encoder:
skip, x = down_block(x)
skip_connections.append(skip)
# Bottleneck
x = self.bottleneck(x)
# Decoder
for up_block in self.decoder:
# Берем последний skip connection
skip = skip_connections.pop()
x = up_block(x, skip)
# Final layer
x = self.final_conv(x)
return x
def test_unet():
"""Тестируем модель на случайном тензоре"""
model = UNet(in_channels=1, out_classes=2)
x = torch.randn(1, 1, 512, 512) # batch_size, channels, height, width
with torch.no_grad():
y = model(x)
print(f"Input shape: {x.shape}")
print(f"Output shape: {y.shape}")
print(f"Number of parameters: {sum(p.numel() for p in model.parameters()):,}")
if __name__ == "__main__":
test_unet()

32
src/models/__init__.py
View File

@ -1,32 +0,0 @@
"""
DXA Quality Assessment Models
"""
from .base import BaseDXAModel, BaseClassifier, BaseSegmentator
from .region_detector import RegionDetector, create_region_detector, determine_region_from_image
from .classification import QualityClassifier, ViolationTypeClassifier
from .segmentation import DXASegmenter, create_segmenter
from .visualization import GradCAMExtractor, visualize_attention
__all__ = [
# Base
'BaseDXAModel',
'BaseClassifier',
'BaseSegmentator',
# Region
'RegionDetector',
'create_region_detector',
'determine_region_from_image',
# Classification
'QualityClassifier',
'ViolationTypeClassifier',
# Segmentation
'DXASegmenter',
'create_segmenter',
# Visualization
'GradCAMExtractor',
'visualize_attention'
]

92
src/models/base.py
View File

@ -1,92 +0,0 @@
"""
Base model class for all DXA models
"""
import torch
import torch.nn as nn
from typing import Dict, Any, Optional
from abc import ABC, abstractmethod
class BaseDXAModel(nn.Module, ABC):
"""Base class for all DXA models"""
def __init__(self, config: Optional[Dict] = None):
super().__init__()
self.config = config or {}
self.device = torch.device('cpu')
@abstractmethod
def forward(self, x: torch.Tensor) -> torch.Tensor:
"""Forward pass"""
pass
def extract_features(self, x: torch.Tensor) -> torch.Tensor:
"""Extract features without classification"""
return self.forward(x)
def to_device(self, device: str = 'cpu'):
"""Move model to device"""
self.device = torch.device(device)
self.to(self.device)
return self
def get_info(self) -> Dict[str, Any]:
"""Get model info"""
return {
'name': self.__class__.__name__,
'device': str(self.device),
'config': self.config
}
class BaseClassifier(BaseDXAModel):
"""Base classifier"""
def __init__(self, num_classes: int = 2, **kwargs):
super().__init__(**kwargs)
self.num_classes = num_classes
@abstractmethod
def predict(self, x: torch.Tensor) -> Dict[str, Any]:
"""Predict on input"""
pass
def predict_proba(self, x: torch.Tensor) -> torch.Tensor:
"""Get probabilities"""
self.eval()
with torch.no_grad():
logits = self.forward(x)
return torch.softmax(logits, dim=1)
def predict_class(self, x: torch.Tensor) -> torch.Tensor:
"""Get class predictions"""
probs = self.predict_proba(x)
return probs.argmax(dim=1)
class BaseSegmentator(BaseDXAModel):
"""Base segmentator"""
def __init__(self, in_channels: int = 3, out_classes: int = 2, **kwargs):
super().__init__(**kwargs)
self.in_channels = in_channels
self.out_classes = out_classes
@abstractmethod
def predict(self, x: torch.Tensor) -> Dict[str, Any]:
"""Predict on input"""
pass
def predict_mask(self, x: torch.Tensor) -> torch.Tensor:
"""Get segmentation mask"""
self.eval()
with torch.no_grad():
logits = self.forward(x)
return logits.argmax(dim=1)
def predict_proba(self, x: torch.Tensor) -> torch.Tensor:
"""Get class probabilities"""
self.eval()
with torch.no_grad():
logits = self.forward(x)
return torch.softmax(logits, dim=1)

21
src/models/classification/__init__.py
View File

@ -1,21 +0,0 @@
"""
Classification models
"""
from .quality_classifier import QualityClassifier, create_quality_classifier
from .violation_classifier import (
ViolationTypeClassifier,
create_violation_classifier,
SPINE_VIOLATIONS,
HIP_VIOLATIONS,
VIOLATION_DESCRIPTIONS
)
__all__ = [
'QualityClassifier',
'create_quality_classifier',
'ViolationTypeClassifier',
'create_violation_classifier',
'SPINE_VIOLATIONS',
'HIP_VIOLATIONS',
'VIOLATION_DESCRIPTIONS'
]

224
src/models/classification/quality_classifier.py
View File

@ -1,224 +0,0 @@
"""
Quality Classifier - бинарный классификатор OK/Violation
"""
import torch
import torch.nn as nn
import torchvision.models as models
from typing import Dict, Tuple, Optional
import numpy as np
class QualityClassifier(nn.Module):
"""
Бинарный классификатор качества DXA исследования.
Выход: 0 (OK) или 1 (Violation)
"""
QUALITY_LABELS = {0: 'OK', 1: 'Violation'}
def __init__(self,
backbone: str = 'resnet18',
pretrained: bool = True,
dropout: float = 0.4,
use_attention: bool = False):
super().__init__()
self.backbone_name = backbone
self.use_attention = use_attention
# Encoder для изображения
if backbone == 'resnet18':
self.image_encoder = models.resnet18(
weights='IMAGENET1K_V1' if pretrained else None
)
self.image_encoder.fc = nn.Identity()
image_features = 512
elif backbone == 'resnet34':
self.image_encoder = models.resnet34(
weights='IMAGENET1K_V1' if pretrained else None
)
self.image_encoder.fc = nn.Identity()
image_features = 512
elif backbone == 'efficientnet_b0':
self.image_encoder = models.efficientnet_b0(
weights='IMAGENET1K_V1' if pretrained else None
)
self.image_encoder.classifier = nn.Identity()
image_features = 1280
else:
raise ValueError(f"Unknown backbone: {backbone}")
# Encoder для маски (опционально)
if use_attention:
self.mask_encoder = nn.Sequential(
nn.Conv2d(1, 32, 3, padding=1),
nn.BatchNorm2d(32),
nn.ReLU(inplace=True),
nn.Conv2d(32, 64, 3, stride=2, padding=1),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
nn.AdaptiveAvgPool2d(1)
)
combined_features = image_features + 64
else:
self.mask_encoder = None
combined_features = image_features
# Классификатор
self.classifier = nn.Sequential(
nn.Dropout(dropout),
nn.Linear(combined_features, 256),
nn.ReLU(inplace=True),
nn.Dropout(dropout),
nn.Linear(256, 2) # OK / Violation
)
self.image_features = image_features
def forward(self, image: torch.Tensor, mask: Optional[torch.Tensor] = None) -> torch.Tensor:
"""
Forward pass
Args:
image: [B, 3, H, W] RGB изображение
mask: [B, 1, H, W] опциональная маска сегментации
"""
# Извлечение признаков из изображения
img_features = self.image_encoder(image)
# Если есть маска и используется attention
if mask is not None and self.use_attention and self.mask_encoder is not None:
mask_features = self.mask_encoder(mask).squeeze(-1).squeeze(-1)
combined = torch.cat([img_features, mask_features], dim=1)
else:
combined = img_features
return self.classifier(combined)
def predict(self,
image: torch.Tensor,
mask: Optional[torch.Tensor] = None) -> Dict:
"""
Предсказание качества.
Returns:
Dict: predicted_class, label, confidence, probabilities
"""
self.eval()
with torch.no_grad():
logits = self.forward(image, mask)
probs = torch.softmax(logits, dim=1)
conf, pred = probs.max(dim=1)
results = []
for i in range(image.shape[0]):
pred_class = pred[i].item()
results.append({
'predicted_class': pred_class,
'label': self.QUALITY_LABELS[pred_class],
'confidence': conf[i].item(),
'probabilities': {
'OK': probs[i, 0].item(),
'Violation': probs[i, 1].item()
},
'logits': logits[i].cpu().numpy().tolist()
})
return results[0] if len(results) == 1 else results
def extract_features(self,
image: torch.Tensor,
mask: Optional[torch.Tensor] = None) -> torch.Tensor:
"""Извлечение признаков"""
img_features = self.image_encoder(image)
if mask is not None and self.use_attention and self.mask_encoder is not None:
mask_features = self.mask_encoder(mask).squeeze(-1).squeeze(-1)
return torch.cat([img_features, mask_features], dim=1)
return img_features
def get_info(self) -> Dict:
return {
'name': 'QualityClassifier',
'backbone': self.backbone_name,
'num_classes': 2,
'use_attention': self.use_attention,
'image_features': self.image_features
}
class QualityClassifierMultiRegion(nn.Module):
"""
Мультирегиональный классификатор качества.
Отдельные головы для spine и hip.
"""
def __init__(self,
backbone: str = 'resnet18',
pretrained: bool = True,
dropout: float = 0.4):
super().__init__()
# Общий encoder
if backbone == 'resnet18':
self.encoder = models.resnet18(
weights='IMAGENET1K_V1' if pretrained else None
)
self.encoder.fc = nn.Identity()
feature_dim = 512
else:
raise ValueError(f"Unknown backbone: {backbone}")
# Отдельные головы для каждого региона
self.spine_head = nn.Sequential(
nn.Dropout(dropout),
nn.Linear(feature_dim, 128),
nn.ReLU(),
nn.Linear(128, 2)
)
self.hip_head = nn.Sequential(
nn.Dropout(dropout),
nn.Linear(feature_dim, 128),
nn.ReLU(),
nn.Linear(128, 2)
)
def forward(self, x: torch.Tensor, region: str = 'spine') -> torch.Tensor:
features = self.encoder(x)
if region == 'spine':
return self.spine_head(features)
else:
return self.hip_head(features)
def predict(self, image: torch.Tensor, region: str = 'spine') -> Dict:
self.eval()
with torch.no_grad():
logits = self.forward(image, region)
probs = torch.softmax(logits, dim=1)
conf, pred = probs.max(dim=1)
return {
'predicted_class': pred.item(),
'label': QualityClassifier.QUALITY_LABELS[pred.item()],
'confidence': conf.item(),
'region': region
}
def create_quality_classifier(
backbone: str = 'resnet18',
pretrained: bool = True,
use_attention: bool = False,
device: str = 'cpu'
) -> QualityClassifier:
"""Создание классификатора качества"""
model = QualityClassifier(
backbone=backbone,
pretrained=pretrained,
use_attention=use_attention
)
model.to(device)
return model

237
src/models/classification/violation_classifier.py
View File

@ -1,237 +0,0 @@
"""
Violation Type Classifier - многоклассовый классификатор типа нарушения
"""
import torch
import torch.nn as nn
import torchvision.models as models
from typing import Dict, List, Optional
import numpy as np
# Типы нарушений для позвоночника
SPINE_VIOLATIONS = [
'correct',
'position_error', # Неправильная укладка
'artifact_motion', # Артефакт движения
'artifact_other', # Другие артефакты
'labeling_error', # Ошибка разметки
'incomplete_view', # Неполный вид
'roi_error' # Ошибка ROI
]
# Типы нарушений для бедра
HIP_VIOLATIONS = [
'correct',
'position_error',
'rotation', # Нарушение ротации
'artifact_motion',
'artifact_other',
'roi_error',
'incomplete_view'
]
# Русские описания
VIOLATION_DESCRIPTIONS = {
'correct': 'Качество соответствует норме',
'position_error': 'Неправильное положение пациента',
'artifact_motion': 'Артефакт движения (размытие)',
'artifact_other': 'Другие артефакты',
'labeling_error': 'Ошибка разметки',
'incomplete_view': 'Неполный вид анатомической области',
'roi_error': 'Неправильное положение ROI',
'rotation': 'Нарушение ротации'
}
class ViolationTypeClassifier(nn.Module):
"""
Многоклассовый классификатор типа нарушения.
Поддерживает разные классификаторы для spine и hip.
"""
def __init__(self,
backbone: str = 'resnet18',
num_classes_spine: int = 7,
num_classes_hip: int = 7,
pretrained: bool = True,
dropout: float = 0.4,
use_multi_task: bool = True):
super().__init__()
self.backbone_name = backbone
self.num_classes_spine = num_classes_spine
self.num_classes_hip = num_classes_hip
self.use_multi_task = use_multi_task
# Encoder
if backbone == 'resnet18':
self.encoder = models.resnet18(
weights='IMAGENET1K_V1' if pretrained else None
)
self.encoder.fc = nn.Identity()
feature_dim = 512
elif backbone == 'resnet34':
self.encoder = models.resnet34(
weights='IMAGENET1K_V1' if pretrained else None
)
self.encoder.fc = nn.Identity()
feature_dim = 512
elif backbone == 'efficientnet_b0':
self.encoder = models.efficientnet_b0(
weights='IMAGENET1K_V1' if pretrained else None
)
self.encoder.classifier = nn.Identity()
feature_dim = 1280
else:
raise ValueError(f"Unknown backbone: {backbone}")
if use_multi_task:
# Общая голова с регионом
self.head = nn.Sequential(
nn.Dropout(dropout),
nn.Linear(feature_dim, 256),
nn.ReLU(),
nn.Dropout(dropout),
nn.Linear(256, 14) # 7 + 7 = 14 классов
)
else:
# Отдельные головы
self.spine_head = nn.Sequential(
nn.Dropout(dropout),
nn.Linear(feature_dim, 128),
nn.ReLU(),
nn.Linear(128, num_classes_spine)
)
self.hip_head = nn.Sequential(
nn.Dropout(dropout),
nn.Linear(feature_dim, 128),
nn.ReLU(),
nn.Linear(128, num_classes_hip)
)
self.feature_dim = feature_dim
def forward(self, x: torch.Tensor, region: str = 'spine') -> torch.Tensor:
"""
Forward pass
Args:
x: [B, 3, H, W] Input image
region: 'spine' or 'hip'
"""
features = self.encoder(x)
if self.use_multi_task:
logits = self.head(features)
# 0-6: spine, 7-13: hip
if region == 'spine':
return logits[:, :self.num_classes_spine]
else:
return logits[:, self.num_classes_spine:]
else:
if region == 'spine':
return self.spine_head(features)
else:
return self.hip_head(features)
def predict(self,
image: torch.Tensor,
region: str = 'spine',
return_all: bool = False) -> Dict:
"""
Предсказание типа нарушения.
Args:
image: Input tensor
region: 'spine' или 'hip'
return_all: вернуть все вероятности
Returns:
Dict с predicted_type, description, confidence, probabilities
"""
self.eval()
# Определение списка классов
violations = SPINE_VIOLATIONS if region == 'spine' else HIP_VIOLATIONS
with torch.no_grad():
logits = self.forward(image, region)
probs = torch.softmax(logits, dim=1)
conf, pred = probs.max(dim=1)
pred_idx = pred[0].item() if image.shape[0] == 1 else pred.item()
pred_type = violations[pred_idx]
result = {
'predicted_type': pred_type,
'description': VIOLATION_DESCRIPTIONS.get(pred_type, 'Неизвестно'),
'confidence': conf[0].item() if image.shape[0] == 1 else conf.item(),
'region': region,
'predicted_index': int(pred_idx)
}
if return_all:
result['probabilities'] = {
violations[i]: probs[0 if image.shape[0] == 1 else i, i].item()
for i in range(len(violations))
}
return result
def predict_with_aggregated(self,
image: torch.Tensor,
region: str = 'spine') -> Dict:
"""
Предсказание с агрегированными результатами для батча.
"""
self.eval()
violations = SPINE_VIOLATIONS if region == 'spine' else HIP_VIOLATIONS
with torch.no_grad():
logits = self.forward(image, region)
probs = torch.softmax(logits, dim=1)
# Средние вероятности по батчу
avg_probs = probs.mean(dim=0)
conf, pred = avg_probs.max(dim=0)
return {
'predicted_type': violations[pred.item()],
'description': VIOLATION_DESCRIPTIONS.get(violations[pred.item()], 'Неизвестно'),
'confidence': conf.item(),
'predicted_index': pred.item(),
'probabilities': {
violations[i]: avg_probs[i].item()
for i in range(len(violations))
}
}
def get_info(self) -> Dict:
return {
'name': 'ViolationTypeClassifier',
'backbone': self.backbone_name,
'num_classes_spine': self.num_classes_spine,
'num_classes_hip': self.num_classes_hip,
'spine_violations': SPINE_VIOLATIONS,
'hip_violations': HIP_VIOLATIONS,
'use_multi_task': self.use_multi_task
}
def create_violation_classifier(
backbone: str = 'resnet18',
num_classes: int = 7,
pretrained: bool = True,
device: str = 'cpu'
) -> ViolationTypeClassifier:
"""Создание классификатора"""
model = ViolationTypeClassifier(
backbone=backbone,
num_classes_spine=num_classes,
num_classes_hip=num_classes,
pretrained=pretrained
)
model.to(device)
return model

192
src/models/region_detector.py
View File

@ -1,192 +0,0 @@
"""
Region Detector - определяет анатомическую область исследования
"""
import torch
import torch.nn as nn
import torchvision.models as models
from typing import Dict, List, Tuple, Optional
import numpy as np
class RegionDetector(nn.Module):
"""
Определение анатомической области исследования.
Классы: spine, hip_left, hip_right, hip (unknown side)
"""
REGIONS = ['spine', 'hip_left', 'hip_right', 'hip']
def __init__(self,
backbone: str = 'efficientnet_b0',
num_classes: int = 4,
pretrained: bool = True,
dropout: float = 0.3):
super().__init__()
self.backbone_name = backbone
self.num_classes = num_classes
# Загрузка backbone
if backbone == 'efficientnet_b0':
self.backbone = models.efficientnet_b0(
weights='IMAGENET1K_V1' if pretrained else None
)
feature_dim = 1280
self.backbone.classifier = nn.Identity()
elif backbone == 'resnet18':
self.backbone = models.resnet18(
weights='IMAGENET1K_V1' if pretrained else None
)
feature_dim = 512
self.backbone.fc = nn.Identity()
else:
raise ValueError(f"Unknown backbone: {backbone}")
# Классификатор
self.classifier = nn.Sequential(
nn.Dropout(dropout),
nn.Linear(feature_dim, 256),
nn.ReLU(),
nn.Dropout(dropout),
nn.Linear(256, num_classes)
)
self.feature_dim = feature_dim
def forward(self, x: torch.Tensor) -> torch.Tensor:
features = self.backbone(x)
return self.classifier(features)
def predict(self, x: torch.Tensor) -> Dict:
"""
Предсказание региона.
Args:
x: Input tensor [B, 3, H, W]
Returns:
Dict с keys: predicted_region, probabilities, confidence
"""
self.eval()
with torch.no_grad():
logits = self.forward(x)
probs = torch.softmax(logits, dim=1)
conf, pred = probs.max(dim=1)
results = []
for i in range(x.shape[0]):
region_idx = pred[i].item()
results.append({
'predicted_region': self.REGIONS[region_idx],
'region_index': region_idx,
'confidence': conf[i].item(),
'probabilities': {
self.REGIONS[j]: probs[i, j].item()
for j in range(self.num_classes)
}
})
return results[0] if len(results) == 1 else results
def get_info(self) -> Dict:
return {
'name': 'RegionDetector',
'backbone': self.backbone_name,
'num_classes': self.num_classes,
'regions': self.REGIONS,
'feature_dim': self.feature_dim
}
class RegionDetectorWithFeatures(RegionDetector):
"""Region detector с извлечением признаков"""
def extract_features(self, x: torch.Tensor) -> torch.Tensor:
return self.backbone(x)
def create_region_detector(
backbone: str = 'efficientnet_b0',
num_classes: int = 4,
pretrained: bool = True,
device: str = 'cpu'
) -> RegionDetector:
"""Создание модели"""
model = RegionDetector(
backbone=backbone,
num_classes=num_classes,
pretrained=pretrained
)
model.to(device)
return model
# Функция для определения региона из изображения (rule-based fallback)
def determine_region_from_image(image: np.ndarray) -> str:
"""
Определение региона из изображения без модели.
Использует форму яркой области.
Args:
image: numpy array [H, W] или [H, W, 3]
Returns:
str: 'spine', 'hip_left', 'hip_right', 'hip'
"""
if len(image.shape) == 3:
image = np.mean(image, axis=2)
# Нормализация
image = (image - image.min()) / (image.max() - image.min() + 1e-8)
h, w = image.shape
# Порог для яркой области
threshold = np.percentile(image, 95)
binary = image > threshold
if binary.sum() == 0:
return 'unknown'
# Aspect ratio яркой области
from scipy import ndimage
rows = np.any(binary, axis=1)
cols = np.any(binary, axis=0)
if not (rows.any() and cols.any()):
return 'unknown'
try:
rmin, rmax = np.where(rows)[0][[0, -1]]
cmin, cmax = np.where(cols)[0][[0, -1]]
bbox_h = rmax - rmin
bbox_w = cmax - cmin
bbox_aspect = bbox_h / (bbox_w + 1e-6)
# Симметрия
h_mid, w_mid = h // 2, w // 2
left_half = image[:, :w_mid]
right_half = np.fliplr(image[:, w_mid:])
min_w = min(left_half.shape[1], right_half.shape[1])
symmetry = 1 - np.abs(left_half[:, :min_w] - right_half[:, :min_w]).mean() / (image.std() + 1e-6)
# Left/right brightness ratio
left_bright = binary[:, :w//2].sum()
right_bright = binary[:, w//2:].sum()
left_right_ratio = left_bright / (right_bright + 1e-6)
# Классификация
if bbox_aspect < 1.5:
return 'spine'
elif bbox_aspect < 1.8:
return 'spine' if symmetry > 0.35 else 'hip'
else:
if left_right_ratio > 1.3:
return 'hip_right'
elif left_right_ratio < 0.7:
return 'hip_left'
else:
return 'hip'
except:
return 'unknown'

10
src/models/segmentation/__init__.py
View File

@ -1,10 +0,0 @@
"""
Segmentation models
"""
from .segmentator import DXASegmenter, DXASegmenterSimple, create_segmenter
__all__ = [
'DXASegmenter',
'DXASegmenterSimple',
'create_segmenter'
]

254
src/models/segmentation/segmentator.py
View File

@ -1,254 +0,0 @@
"""
U-Net сегментация для DXA изображений
"""
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision.models as models
from typing import Dict, Tuple, Optional, List
class DoubleConv(nn.Module):
"""Double convolution block"""
def __init__(self, in_channels, out_channels):
super().__init__()
self.conv = nn.Sequential(
nn.Conv2d(in_channels, out_channels, 3, padding=1),
nn.BatchNorm2d(out_channels),
nn.ReLU(inplace=True),
nn.Conv2d(out_channels, out_channels, 3, padding=1),
nn.BatchNorm2d(out_channels),
nn.ReLU(inplace=True)
)
def forward(self, x):
return self.conv(x)
class Down(nn.Module):
"""Downsampling block"""
def __init__(self, in_channels, out_channels):
super().__init__()
self.maxpool_conv = nn.Sequential(
nn.MaxPool2d(2),
DoubleConv(in_channels, out_channels)
)
def forward(self, x):
return self.maxpool_conv(x)
class Up(nn.Module):
"""Upsampling block"""
def __init__(self, in_channels, out_channels):
super().__init__()
self.up = nn.ConvTranspose2d(in_channels, in_channels // 2, 2, stride=2)
self.conv = DoubleConv(in_channels, out_channels)
def forward(self, x1, x2):
x1 = self.up(x1)
# Pad if sizes don't match
diffY = x2.size()[2] - x1.size()[2]
diffX = x2.size()[3] - x1.size()[3]
x1 = F.pad(x1, [diffX // 2, diffX - diffX // 2,
diffY // 2, diffY - diffY // 2])
x = torch.cat([x2, x1], dim=1)
return self.conv(x)
class OutConv(nn.Module):
"""Output convolution"""
def __init__(self, in_channels, out_channels):
super().__init__()
self.conv = nn.Conv2d(in_channels, out_channels, 1)
def forward(self, x):
return self.conv(x)
class DXASegmenter(nn.Module):
"""
U-Net сегментатор для DXA изображений.
Может работать для spine (позвонки) и hip (бедро).
"""
def __init__(self,
in_channels: int = 3,
out_classes: int = 2,
base_features: int = 64,
backbone: str = 'resnet34'):
super().__init__()
self.in_channels = in_channels
self.out_classes = out_classes
self.base_features = base_features
# Encoder (используем pretrained backbone)
if backbone == 'resnet34':
resnet = models.resnet34(weights='IMAGENET1K_V1')
self.encoder1 = nn.Sequential(resnet.conv1, resnet.bn1, resnet.relu)
self.encoder2 = nn.Sequential(resnet.maxpool, resnet.layer1)
self.encoder3 = resnet.layer2 # 256
self.encoder4 = resnet.layer3 # 512
self.encoder5 = resnet.layer4 # 1024
encoder_out = 1024
elif backbone == 'resnet18':
resnet = models.resnet18(weights='IMAGENET1K_V1')
self.encoder1 = nn.Sequential(resnet.conv1, resnet.bn1, resnet.relu)
self.encoder2 = nn.Sequential(resnet.maxpool, resnet.layer1)
self.encoder3 = resnet.layer2 # 128
self.encoder4 = resnet.layer3 # 256
self.encoder5 = resnet.layer4 # 512
encoder_out = 512
else:
raise ValueError(f"Unknown backbone: {backbone}")
# Decoder
self.up5 = Up(encoder_out, 512)
self.up4 = Up(512, 256)
self.up3 = Up(256, 128)
self.up2 = Up(128, 64)
self.out = OutConv(64, out_classes)
def forward(self, x: torch.Tensor) -> torch.Tensor:
"""
Forward pass
Args:
x: [B, 3, H, W] Input image
Returns:
[B, out_classes, H, W] Segmentation logits
"""
# Encoder
x1 = self.encoder1(x) # 64
x2 = self.encoder2(x1) # 64
x3 = self.encoder3(x2) # 128/256
x4 = self.encoder4(x3) # 256/512
x5 = self.encoder5(x4) # 512/1024
# Decoder
d5 = self.up5(x5, x4)
d4 = self.up4(d5, x3)
d3 = self.up3(d4, x2)
d2 = self.up2(d3, x1)
return self.out(d2)
def predict(self, x: torch.Tensor) -> Dict:
"""
Предсказание сегментации.
Returns:
Dict с mask, probabilities
"""
self.eval()
with torch.no_grad():
logits = self.forward(x)
probs = torch.softmax(logits, dim=1)
mask = probs.argmax(dim=1)
return {
'mask': mask, # [B, H, W]
'probabilities': probs, # [B, classes, H, W]
'logits': logits
}
def predict_mask(self, x: torch.Tensor) -> torch.Tensor:
"""Получить только маску"""
result = self.predict(x)
return result['mask']
class DXASegmenterSimple(nn.Module):
"""
Упрощённая U-Net архитектура для сегментации.
"""
def __init__(self,
in_channels: int = 3,
out_classes: int = 2,
features: int = 64):
super().__init__()
self.in_channels = in_channels
self.out_classes = out_classes
# Encoder
self.inc = DoubleConv(in_channels, features)
self.down1 = Down(features, features * 2)
self.down2 = Down(features * 2, features * 4)
self.down3 = Down(features * 4, features * 8)
# Bottleneck
self.bottleneck = DoubleConv(features * 8, features * 16)
# Decoder
self.up3 = Up(features * 16, features * 8)
self.up2 = Up(features * 8, features * 4)
self.up1 = Up(features * 4, features * 2)
self.up0 = Up(features * 2, features)
self.out = OutConv(features, out_classes)
def forward(self, x):
x1 = self.inc(x)
x2 = self.down1(x1)
x3 = self.down2(x2)
x4 = self.down3(x3)
xb = self.bottleneck(x4)
d3 = self.up3(xb, x4)
d2 = self.up2(d3, x3)
d1 = self.up1(d2, x2)
d0 = self.up0(d1, x1)
return self.out(d0)
def predict(self, x: torch.Tensor) -> Dict:
self.eval()
with torch.no_grad():
logits = self.forward(x)
probs = torch.softmax(logits, dim=1)
mask = probs.argmax(dim=1)
return {
'mask': mask,
'probabilities': probs
}
def create_segmenter(
architecture: str = 'unet_resnet34',
in_channels: int = 3,
out_classes: int = 2,
device: str = 'cpu'
) -> nn.Module:
"""
Создание сегментатора.
Args:
architecture: 'unet_resnet34', 'unet_resnet18', 'unet_simple'
in_channels: количество входных каналов
out_classes: количество классов сегментации
device: устройство
"""
if architecture == 'unet_resnet34':
model = DXASegmenter(in_channels, out_classes, backbone='resnet34')
elif architecture == 'unet_resnet18':
model = DXASegmenter(in_channels, out_classes, backbone='resnet18')
elif architecture == 'unet_simple':
model = DXASegmenterSimple(in_channels, out_classes)
else:
raise ValueError(f"Unknown architecture: {architecture}")
model.to(device)
return model

10
src/models/visualization/__init__.py
View File

@ -1,10 +0,0 @@
"""
Visualization models
"""
from .gradcam import GradCAMExtractor, SimpleGradCAM, visualize_attention
__all__ = [
'GradCAMExtractor',
'SimpleGradCAM',
'visualize_attention'
]

249
src/models/visualization/gradcam.py
View File

@ -1,249 +0,0 @@
"""
Grad-CAM для визуализации attention модели
"""
import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
from typing import Dict, Optional, Tuple
import cv2
class GradCAMExtractor:
"""
Извлечение Grad-CAM heatmap для визуализации внимания модели.
"""
def __init__(self,
model: nn.Module,
target_layer: Optional[nn.Module] = None,
target_class: Optional[int] = None):
"""
Args:
model: Модель для визуализации
target_layer: Слой для извлечения Grad-CAM
target_class: Класс для визуализации (None = pred class)
"""
self.model = model
self.target_layer = target_layer
self.target_class = target_class
self.gradients = None
self.activations = None
# Регистрация hooks
self._register_hooks()
def _register_hooks(self):
"""Регистрация forward и backward hooks"""
def forward_hook(module, input, output):
self.activations = output.detach()
def backward_hook(module, grad_input, grad_output):
self.gradients = grad_output[0].detach()
if self.target_layer is not None:
self.target_layer.register_forward_hook(forward_hook)
self.target_layer.register_full_backward_hook(backward_hook)
def set_target_layer(self, layer: nn.Module):
"""Установка целевого слоя"""
self.target_layer = layer
self._register_hooks()
def generate_cam(self,
input_tensor: torch.Tensor,
target_class: Optional[int] = None) -> np.ndarray:
"""
Генерация CAM heatmap.
Args:
input_tensor: [1, C, H, W] Input image
target_class: Класс для визуализации
Returns:
Heatmap [H, W] normalized 0-1
"""
self.model.eval()
# Forward
output = self.model(input_tensor)
# Выбор класса
if target_class is None:
target_class = output.argmax(dim=1).item()
# Backward
self.model.zero_grad()
class_loss = output[0, target_class]
class_loss.backward()
# Вычисление CAM
if self.gradients is None or self.activations is None:
raise RuntimeError("Gradients or activations not captured")
# Global average pooling градиентов
pooled_gradients = torch.mean(self.gradients, dim=[0, 2, 3])
# Умножение активаций на градиенты
for i in range(self.activations.shape[1]):
self.activations[:, i, :, :] *= pooled_gradients[i]
# Average и ReLU
heatmap = torch.mean(self.activations, dim=1).squeeze()
heatmap = F.relu(heatmap)
# Normalization
if heatmap.max() > 0:
heatmap = heatmap / heatmap.max()
return heatmap.cpu().numpy()
def generate_cam_on_image(self,
input_tensor: torch.Tensor,
original_image: np.ndarray,
target_class: Optional[int] = None,
colormap: int = cv2.COLORMAP_JET) -> np.ndarray:
"""
Генерация CAM и наложение на оригинальное изображение.
Args:
input_tensor: [1, C, H, W] Input tensor
original_image: [H, W, 3] RGB image (0-255)
target_class: Класс для визуализации
colormap: OpenCV colormap
Returns:
Overlay image [H, W, 3]
"""
# Get CAM
heatmap = self.generate_cam(input_tensor, target_class)
# Resize to original image
heatmap = cv2.resize(heatmap, (original_image.shape[1], original_image.shape[0]))
# Apply colormap
heatmap_colored = cv2.applyColorMap((heatmap * 255).astype(np.uint8), colormap)
heatmap_colored = cv2.cvtColor(heatmap_colored, cv2.COLOR_BGR2RGB)
# Overlay
overlay = cv2.addWeighted(original_image, 0.6, heatmap_colored, 0.4, 0)
return overlay
class SimpleGradCAM:
"""
Упрощённый Grad-CAM без hook - работает с любым классификатором.
"""
@staticmethod
def generate(model: nn.Module,
input_tensor: torch.Tensor,
target_layer_name: str = 'encoder5') -> np.ndarray:
"""
Генерация heatmap.
Args:
model: Модель (должна иметь get_info() или быть классификатором)
input_tensor: [1, C, H, W]
target_layer_name: имя слоя для CAM
Returns:
Heatmap [H, W]
"""
model.eval()
# Для ResNet - последний слой
if hasattr(model, 'backbone'):
# Это наша модель
target_layer = model.backbone.layer4
else:
# Ищем последний conv слой
target_layer = None
for name, module in model.named_modules():
if isinstance(module, nn.Conv2d):
target_layer = module
if target_layer is None:
raise ValueError("Cannot find target layer")
extractor = GradCAMExtractor(model, target_layer)
# Forward + backward
output = model(input_tensor)
target_class = output.argmax(dim=1).item()
model.zero_grad()
output[0, target_class].backward()
# CAM
gradients = extractor.gradients
activations = extractor.activations
if gradients is None or activations is None:
raise RuntimeError("Failed to capture gradients")
pooled_gradients = torch.mean(gradients, dim=[0, 2, 3])
for i in range(activations.shape[1]):
activations[:, i, :, :] *= pooled_gradients[i]
heatmap = torch.mean(activations, dim=1).squeeze()
heatmap = F.relu(heatmap)
if heatmap.max() > 0:
heatmap = heatmap / heatmap.max()
return heatmap.cpu().numpy()
def visualize_attention(model: nn.Module,
image: torch.Tensor,
original_rgb: np.ndarray,
target_class: Optional[int] = None) -> Tuple[np.ndarray, np.ndarray]:
"""
Утилита для визуализации attention.
Args:
model: Классификатор
image: [1, 3, H, W] Tensor
original_rgb: [H, W, 3] RGB numpy
target_class: Опционально класс для визуализации
Returns:
(heatmap, overlay) - heatmap и наложенное изображение
"""
# Try to use Grad-CAM
try:
# Find target layer
target_layer = None
for name, module in model.named_modules():
if hasattr(module, 'out_channels') and isinstance(module, nn.Conv2d):
target_layer = module
if target_layer is None:
# Use last conv layer of backbone
if hasattr(model, 'backbone'):
target_layer = model.backbone[-1]
if target_layer is not None:
extractor = GradCAMExtractor(model, target_layer)
heatmap = extractor.generate_cam(image, target_class)
# Resize
heatmap = cv2.resize(heatmap, (original_rgb.shape[1], original_rgb.shape[0]))
# Overlay
heatmap_colored = cv2.applyColorMap(
(heatmap * 255).astype(np.uint8),
cv2.COLORMAP_JET
)
heatmap_colored = cv2.cvtColor(heatmap_colored, cv2.COLOR_BGR2RGB)
overlay = cv2.addWeighted(original_rgb, 0.6, heatmap_colored, 0.4, 0)
return heatmap, overlay
except Exception as e:
print(f"Grad-CAM failed: {e}")
# Fallback: return original image
return np.zeros((original_rgb.shape[0], original_rgb.shape[1])), original_rgb

16
src/pipeline/__init__.py
View File

@ -1,16 +0,0 @@
"""
Pipeline components
"""
from .pipeline import (
QualityAssessmentPipeline,
PipelineConfig,
QualityResult,
create_pipeline
)
__all__ = [
'QualityAssessmentPipeline',
'PipelineConfig',
'QualityResult',
'create_pipeline'
]

289
src/pipeline/pipeline.py
View File

@ -1,289 +0,0 @@
"""
Основной пайплайн оценки качества DXA
"""
import torch
import numpy as np
from PIL import Image
from typing import Dict, List, Optional, Any
from dataclasses import dataclass, field
import pydicom
from src.models import (
RegionDetector,
QualityClassifier,
ViolationTypeClassifier,
DXASegmenter,
create_segmenter,
determine_region_from_image
)
from src.utils.utils import get_device
@dataclass
class PipelineConfig:
"""Конфигурация пайплайна"""
# Paths to models
region_detector_path: Optional[str] = None
quality_classifier_path: Optional[str] = None
violation_classifier_path: Optional[str] = None
segmentator_path: Optional[str] = None
# Model configs
backbone: str = 'resnet18'
input_size: int = 224
device: str = 'auto'
# Режимы
use_segmentation: bool = True
use_violation_classification: bool = True
use_attention: bool = False
# Threshold
quality_threshold: float = 0.5
confidence_threshold: float = 0.7
@dataclass
class QualityResult:
"""Результат оценки качества"""
# Идентификация
study_uid: str = ""
image_uid: str = ""
filename: str = ""
# Основные результаты
anatomical_region: str = "unknown"
quality_class: int = 0 # 0 = OK, 1 = Violation
quality_label: str = "OK"
# Детали
violation_type: str = "correct"
violation_description: str = ""
reason: str = ""
# Confidence
confidence: float = 0.0
confidence_per_class: Dict[str, float] = field(default_factory=dict)
# View quality
view_quality: str = "unknown"
# Метрики
metrics: Dict[str, Any] = field(default_factory=dict)
# Визуализация
mask: Optional[np.ndarray] = None
heatmap: Optional[np.ndarray] = None
# Статус
processing_status: str = "Success"
error: Optional[str] = None
class QualityAssessmentPipeline:
"""
Основной пайплайн для оценки качества DXA исследований.
"""
def __init__(self, config: PipelineConfig):
self.config = config
self.device_str = config.device if config.device != 'auto' else get_device()
self.device = torch.device(self.device_str)
# Модели (загружаются лениво)
self._region_detector: Optional[RegionDetector] = None
self._quality_classifier: Optional[QualityClassifier] = None
self._violation_classifier: Optional[ViolationTypeClassifier] = None
self._segmentator: Optional[DXASegmenter] = None
@property
def region_detector(self) -> RegionDetector:
if self._region_detector is None:
self._region_detector = RegionDetector(
backbone=self.config.backbone,
pretrained=True
).to(self.device)
self._region_detector.eval()
return self._region_detector
@property
def quality_classifier(self) -> QualityClassifier:
if self._quality_classifier is None:
self._quality_classifier = QualityClassifier(
backbone=self.config.backbone,
pretrained=True,
use_attention=self.config.use_attention
).to(self.device)
self._quality_classifier.eval()
return self._quality_classifier
@property
def violation_classifier(self) -> ViolationTypeClassifier:
if self._violation_classifier is None:
self._violation_classifier = ViolationTypeClassifier(
backbone=self.config.backbone,
pretrained=True
).to(self.device)
self._violation_classifier.eval()
return self._violation_classifier
@property
def segmentator(self) -> DXASegmenter:
if self._segmentator is None:
self._segmentator = create_segmenter(
architecture='unet_resnet18',
in_channels=3,
out_classes=2,
device=self.device_str
)
self._segmentator.eval()
return self._segmentator
def _preprocess_image(self, image: np.ndarray) -> torch.Tensor:
"""Предобработка изображения для модели"""
# Нормализация
if image.max() > 1:
image = image.astype(np.float32) / 255.0
# Grayscale -> RGB
if len(image.shape) == 2:
image = np.stack([image] * 3, axis=2)
elif image.shape[2] == 1:
image = np.concatenate([image] * 3, axis=2)
# Resize
if isinstance(self.config.input_size, int):
h, w = image.shape[:2]
if h != self.config.input_size or w != self.config.input_size:
img_pil = Image.fromarray((image * 255).astype(np.uint8))
img_pil = img_pil.resize(
(self.config.input_size, self.config.input_size),
Image.BILINEAR
)
image = np.array(img_pil).astype(np.float32) / 255.0
# CHW
image = image.transpose(2, 0, 1)
return torch.from_numpy(image).unsqueeze(0).to(self.device)
def analyze(self, dicom_path: str) -> QualityResult:
"""
Полный анализ DICOM файла.
Args:
dicom_path: Путь к DICOM файлу
Returns:
QualityResult с результатами оценки
"""
result = QualityResult()
try:
# Загрузка DICOM
ds = pydicom.dcmread(dicom_path)
image = ds.pixel_array.astype(np.float32)
# UID
result.study_uid = getattr(ds, 'StudyInstanceUID', '')
result.image_uid = getattr(ds, 'SOPInstanceUID', '')
result.filename = dicom_path
# Нормализация
image = (image - image.min()) / (image.max() - image.min() + 1e-8)
# Определение региона (сначала rule-based, потом модель)
region = determine_region_from_image(image)
result.anatomical_region = region
# Предобработка для моделей
input_tensor = self._preprocess_image(image)
# 1. Классификация качества
quality_result = self.quality_classifier.predict(input_tensor)
result.quality_class = quality_result['predicted_class']
result.quality_label = quality_result['label']
result.confidence = quality_result['confidence']
result.confidence_per_class = quality_result['probabilities']
# 2. Определение типа нарушения (если есть)
if result.quality_class == 1 and self.config.use_violation_classification:
violation_result = self.violation_classifier.predict(
input_tensor,
region='spine' if region == 'spine' else 'hip'
)
result.violation_type = violation_result['predicted_type']
result.violation_description = violation_result['description']
result.reason = violation_result['description']
# 3. Сегментация (опционально)
if self.config.use_segmentation:
try:
seg_result = self.segmentator.predict(input_tensor)
result.mask = seg_result['mask'].cpu().numpy()[0]
except Exception as e:
result.metrics['segmentation_error'] = str(e)
# Метрики
result.metrics = {
'device': self.device_str,
'backbone': self.config.backbone,
'input_size': self.config.input_size,
'use_segmentation': self.config.use_segmentation,
'use_violation': self.config.use_violation_classification
}
except Exception as e:
result.processing_status = "Failure"
result.error = str(e)
return result
def analyze_batch(self, dicom_paths: List[str]) -> List[QualityResult]:
"""Анализ нескольких файлов"""
return [self.analyze(path) for path in dicom_paths]
def to_dict(self, result: QualityResult) -> Dict:
"""Конвертация результата в словарь для JSON"""
d = {
'study_uid': result.study_uid,
'image_uid': result.image_uid,
'filename': result.filename,
'anatomical_region': result.anatomical_region,
'quality_class': result.quality_class,
'quality_label': result.quality_label,
'violation_type': result.violation_type,
'violation_description': result.violation_description,
'reason': result.reason,
'confidence': result.confidence,
'confidence_per_class': result.confidence_per_class,
'view_quality': result.view_quality,
'metrics': result.metrics,
'processing_status': result.processing_status,
'error': result.error
}
# Convert numpy types
def convert(obj):
if isinstance(obj, np.ndarray):
return obj.tolist()
elif isinstance(obj, (np.integer, np.floating)):
return obj.item()
elif isinstance(obj, dict):
return {k: convert(v) for k, v in obj.items()}
elif isinstance(obj, list):
return [convert(i) for i in obj]
return obj
return convert(d)
def create_pipeline(config: Optional[PipelineConfig] = None,
device: Optional[str] = None) -> QualityAssessmentPipeline:
"""Создание пайплайна"""
if config is None:
config = PipelineConfig()
if device is not None:
config.device = device
return QualityAssessmentPipeline(config)

19
src/quality/__init__.py
View File

@ -2,22 +2,3 @@
Оценка качества медицинских изображений
"""
# from src.quality.quality_scorer_old import QualityScorer
from src.quality.artifact_detector import ArtifactDetector
from src.quality.position_validator import PositionValidator
# Словарь с типами нарушений
QUALITY_ISSUES = {
"ARTIFACT_MOTION": "Артефакт движения",
"ARTIFACT_NOISE": "Шум на изображении",
"POSITION_SHIFT": "Смещение объекта",
"MARKER_ERROR": "Ошибка разметки",
"LOW_CONTRAST": "Низкий контраст",
}
__all__ = [
# "QualityScorer",
"ArtifactDetector",
"PositionValidator",
"QUALITY_ISSUES",
]

3
src/quality/artifact_detector.py
View File

@ -1,3 +0,0 @@
class ArtifactDetector():
def __int__(self):
pass

1
src/quality/detailed_assessment.py
View File

@ -27,7 +27,6 @@ Detailed Quality Assessment Module for DXA images
import numpy as np
from scipy import ndimage
from typing import Dict, Any, List, Optional, Tuple
from PIL import Image
# Violation types for spine

220
src/quality/medical_quality.py
View File

@ -1,220 +0,0 @@
from typing import Dict, Any
import numpy as np
from monai.transforms.utils import ndimage
from src.quality.quality_scorer import QualityScorer
class MedicalQualityScorer(QualityScorer):
def __init__(self, anatomy_type="spine"):
super().__init__()
self.anatomy_type = anatomy_type # "spine", "femur", "whole_body"
def evaluate(self, image, segmentation) -> Dict[str, Any]:
# Базовые проверки
base = super().evaluate(image, segmentation)
# Специфические проверки
if self.anatomy_type == "spine":
medical_check = self.check_spine_segmentation(segmentation)
elif self.anatomy_type == "femur":
medical_check = self.check_femur_segmentation(segmentation)
return {
**base,
"medical_validation": medical_check
}
def check_femur_segmentation(self, segmentation: np.ndarray) -> Dict[str, Any]:
pass
def check_spine_segmentation(self, segmentation: np.ndarray) -> Dict[str, Any]:
"""
Комплексная проверка сегментации позвоночника
Args:
segmentation: бинарная маска [H, W]
Returns:
Словарь с результатами проверки
"""
results = {
"valid": True,
"issues": [],
"metrics": {},
"recommendations": []
}
# 1. Проверка количества позвонков
labeled, num_features = ndimage.label(segmentation)
results["metrics"]["num_vertebrae"] = num_features
if num_features < 3:
results["valid"] = False
results["issues"].append({
"type": "TOO_FEW_VERTEBRAE",
"details": f"Найдено только {num_features} позвонков, ожидается минимум 3",
"severity": "HIGH"
})
results["recommendations"].append("Повторите исследование, захватите больше позвонков")
return results # Дальнейшие проверки не имеют смысла
# 2. Собираем центры позвонков
centers = []
sizes = []
for i in range(1, num_features + 1):
y, x = np.where(labeled == i)
if len(y) > 0:
centers.append((np.mean(y), np.mean(x)))
sizes.append(len(y))
# 3. Проверка выравнивания
x_coords = [c[1] for c in centers]
x_std = np.std(x_coords)
results["metrics"]["alignment_deviation"] = float(x_std)
if x_std > 20:
results["valid"] = False
results["issues"].append({
"type": "POOR_ALIGNMENT",
"details": f"Позвонки не выровнены (отклонение {x_std:.1f} пикселей)",
"severity": "MEDIUM"
})
results["recommendations"].append("Проверьте укладку пациента")
# 4. Проверка расстояний между позвонками
if len(centers) >= 2:
centers_sorted = sorted(centers, key=lambda c: c[0])
distances = []
for i in range(len(centers_sorted) - 1):
y1, _ = centers_sorted[i]
y2, _ = centers_sorted[i + 1]
distances.append(abs(y2 - y1))
if len(distances) > 0:
mean_dist = np.mean(distances)
std_dist = np.std(distances)
results["metrics"]["spacing_variation"] = float(std_dist / mean_dist)
if std_dist / mean_dist > 0.3:
results["valid"] = False
results["issues"].append({
"type": "IRREGULAR_SPACING",
"details": f"Неравномерное расстояние между позвонками",
"severity": "MEDIUM"
})
results["recommendations"].append("Возможно, пропущен позвонок или артефакт")
# 5. Проверка размера позвонков
if len(sizes) > 1:
mean_size = np.mean(sizes)
results["metrics"]["mean_vertebra_size"] = float(mean_size)
for i, size in enumerate(sizes):
if abs(size - mean_size) / mean_size > 0.5:
results["valid"] = False
results["issues"].append({
"type": "ABNORMAL_SIZE",
"details": f"Позвонок {i + 1} аномального размера",
"severity": "HIGH"
})
results["recommendations"].append("Проверьте сегментацию, возможно артефакт")
break
# Итоговая оценка
if not results["issues"]:
results["status"] = "GOOD"
results["recommendations"].append("Исследование выполнено качественно")
else:
results["status"] = "WARNING" if len(results["issues"]) <= 2 else "POOR"
return results
def check_spine_alignment(self, segmentation):
"""Проверка, что позвонки выровнены по вертикали"""
labeled, num_features = ndimage.label(segmentation)
# Собираем центры всех позвонков
centers = []
for i in range(1, num_features + 1):
y, x = np.where(labeled == i)
if len(y) > 0:
center_y = np.mean(y)
center_x = np.mean(x)
centers.append((center_y, center_x))
# Проверяем, что центры находятся примерно на одной вертикальной линии
x_coords = [c[1] for c in centers]
x_std = np.std(x_coords) # стандартное отклонение по X
# Если отклонение большое → позвоночник искривлен
# Если позвонки смещены влево-вправо → пациент лежал неправильно.
if x_std > 20: # порог в пикселях
return {
"valid": False,
"issue": "позвонки не выровнены",
"deviation": x_std,
"recommendation": "проверьте укладку пациента"
}
return {"valid": True, "alignment": "good"}
def check_vertebrae_spacing(self, centers):
"""Проверка равномерности расстояния между позвонками"""
# Сортируем по Y (сверху вниз)
centers_sorted = sorted(centers, key=lambda c: c[0])
# Вычисляем расстояния между соседними позвонками
distances = []
for i in range(len(centers_sorted) - 1):
y1, _ = centers_sorted[i]
y2, _ = centers_sorted[i + 1]
distances.append(abs(y2 - y1))
# Если расстояния сильно различаются → проблема
if len(distances) > 0:
mean_dist = np.mean(distances)
std_dist = np.std(distances)
if std_dist / mean_dist > 0.3: # больше 30% вариации
return {
"valid": False,
"issue": "неравномерное расстояние между позвонками",
"distances": distances,
"variation": std_dist / mean_dist
}
return {"valid": True}
def check_vertebrae_size(labeled, num_features):
"""Проверка, что все позвонки примерно одного размера"""
sizes = []
for i in range(1, num_features + 1):
size = np.sum(labeled == i)
sizes.append(size)
# Если один позвонок сильно отличается по размеру
if len(sizes) > 1:
mean_size = np.mean(sizes)
std_size = np.std(sizes)
# Проверяем каждый позвонок
issues = []
for i, size in enumerate(sizes):
if abs(size - mean_size) / mean_size > 0.5: # отклонение > 50%
issues.append({
"vertebra": i + 1,
"size": size,
"expected": mean_size,
"issue": "позвонок аномального размера"
})
if issues:
return {
"valid": False,
"issue": "обнаружены позвонки аномального размера",
"details": issues,
"recommendation": "возможно, артефакт или неправильная сегментация"
}
return {"valid": True}

3
src/quality/position_validator.py
View File

@ -1,3 +0,0 @@
class PositionValidator():
def __init__(self):
pass

7
src/quality/universal_scorer.py
View File

@ -1,7 +0,0 @@
from src.quality.quality_scorer import QualityScorer
class UniversalQualityScorer(QualityScorer):
def __init__(self):
super().__init__()

12
src/run.py
View File

@ -1,12 +0,0 @@
import uvicorn
if __name__ == "__main__":
print("🚀 Запуск Bone Quality Assessment API")
print("🌐 http://localhost:8000")
uvicorn.run(
"src.main:app",
host="0.0.0.0",
port=8000,
reload=True,
log_level="info"
)

0
src/segmentators/__init__.py
View File

29
src/segmentators/base.py
View File

@ -1,29 +0,0 @@
from abc import ABC, abstractmethod
import numpy as np
from PIL import Image
from typing import Union, Dict, Any
class BaseSegmentator(ABC):
"""Базовый класс для всех сегментаторов"""
@abstractmethod
def segment(self, image: Union[np.ndarray, Image.Image]) -> np.ndarray:
"""
Сегментация изображения
Args:
image: входное изображение
Returns:
Бинарная маска [H, W] где 1 = объект
"""
pass
@abstractmethod
def get_info(self) -> Dict[str, Any]:
"""Информация о модели"""
return {
"name": self.__class__.__name__,
"type": "segmentation"
}

147
src/segmentators/totalsegmentator_wrapper.py
View File

@ -1,147 +0,0 @@
from src.segmentators.base import BaseSegmentator
import numpy as np
import tempfile
import os
from pathlib import Path
from typing import Literal
class TotalSegmentatorWrapper(BaseSegmentator):
"""Обертка для TotalSegmentator (костная сегментация)"""
TASK_MAP = {
"spine": "vertebrae_body",
"hip": "appendicular_bones",
"hip_left": "appendicular_bones",
"hip_right": "appendicular_bones",
"vertebrae": "vertebrae_body",
"appendicular": "appendicular_bones",
"total": "total",
}
def __init__(
self,
device: str = "cpu",
task: str = "vertebrae_body",
anatomy_region: str = None
):
"""
Args:
device: устройство для инференса ('cpu', 'gpu', 'mps')
task: задача сегментации ('vertebrae_body', 'appendicular_bones', 'total')
anatomy_region: анатомическая область ('spine', 'hip', 'hip_left', 'hip_right')
"""
# Определяем задачу на основе анатомической области
if anatomy_region and anatomy_region in self.TASK_MAP:
task = self.TASK_MAP[anatomy_region]
self.device = device
self.task = task
self.loaded = False
self.model = None
self.totalsegmentator_func = None
# Lazy load - откладываем до первого использования
# self._load_model()
def _load_model(self):
"""Ленивая загрузка модели при первом вызове"""
if self.loaded:
return
try:
import nibabel as nib
from totalsegmentator.python_api import totalsegmentator
self.totalsegmentator_func = totalsegmentator
self.nibabel = nib
self.loaded = True
print(f"✅ TotalSegmentator API загружен (task={self.task})")
except ImportError as e:
self.loaded = False
print(f"⚠️ TotalSegmentator: {e}")
except Exception as e:
self.loaded = False
print(f"⚠️ TotalSegmentator: ошибка инициализации - {e}")
def segment(self, image):
"""
Сегментация 2D изображения (numpy array или PIL Image)
Args:
image: numpy array [H, W] или PIL Image
Returns:
Бинарная маска [H, W] где 1 = кость
"""
# Ленивая загрузка модели при первом вызове
if not self.loaded:
self._load_model()
if not self.loaded:
h, w = 512, 512
if hasattr(image, 'shape'):
if len(image.shape) >= 2:
h, w = image.shape[:2]
return np.zeros((h, w), dtype=np.int64)
# Конвертация в numpy если PIL
if hasattr(image, 'convert'):
image = np.array(image)
# Проверка что это 2D изображение
if len(image.shape) == 3:
image = image[:, :, 0] # Берем первый канал
# Сохраняем во временный файл как NIfTI
import nibabel as nib
# Создаем 3D объем (1 срез)
image_3d = np.expand_dims(image.astype(np.float32), axis=0)
with tempfile.TemporaryDirectory() as tmpdir:
input_path = Path(tmpdir) / "input.nii.gz"
output_path = Path(tmpdir) / "output"
output_path.mkdir()
# Сохраняем как NIfTI
nifti_img = nib.Nifti1Image(image_3d, np.eye(4))
nib.save(nifti_img, str(input_path))
# Запускаем TotalSegmentator
try:
result = self.totalsegmentator_func(
input=str(input_path),
output=str(output_path),
task=self.task,
device=self.device,
quiet=True,
verbose=False
)
# Загружаем результат
result_files = list(output_path.glob("*.nii.gz"))
if result_files:
result_nifti = nib.load(str(result_files[0]))
mask_3d = result_nifti.get_fdata()
# Берем первый (и единственный) срез
if mask_3d.ndim == 3:
mask_2d = mask_3d[0, :, :]
else:
mask_2d = mask_3d
return (mask_2d > 0).astype(np.int64)
except Exception as e:
pass # Молча возвращаем пустую маску
return np.zeros(image.shape, dtype=np.int64)
def get_info(self):
return {
"name": "TotalSegmentator",
"type": "segmentation",
"target": "bones",
"task": self.task,
"device": self.device,
"loaded": self.loaded
}

281
src/training/train_model.py
View File

@ -1,281 +0,0 @@
"""
Training script for DXA Quality Models
"""
import os
import sys
import argparse
from pathlib import Path
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader, Subset
from PIL import Image
import pydicom
from tqdm import tqdm
import random
# Add project root to path
project_root = Path(__file__).parent.parent.parent
sys.path.insert(0, str(project_root))
os.chdir(project_root)
class DXATrainingDataset(Dataset):
"""Dataset for training DXA models"""
def __init__(self, data_root, annotation_path, region=None, input_size=224):
self.data_root = Path(data_root)
self.annotation_path = annotation_path
self.region = region
self.input_size = input_size
self.annotation = self._load_annotation()
self.samples = self._build_samples()
print(f"Loaded {len(self.samples)} samples for region={region}")
def _load_annotation(self):
df = pd.read_excel(self.annotation_path, header=None)
data = df.iloc[2:].copy()
data.columns = range(len(df.columns))
data = data.rename(columns={
0: 'id',
1: 'study_uid',
9: 'spine_total',
10: 'hip_right_total',
11: 'hip_left_total'
})
data = data.dropna(subset=['study_uid'])
return data
def _build_samples(self):
samples = []
for _, row in self.annotation.iterrows():
study_uid = str(row['study_uid']).strip()
# Find study folder - it's inside Исследования subfolder
study_path = self.data_root / 'Исследования' / study_uid
if not study_path.exists():
continue
# Find DICOM files
dcm_files = sorted(study_path.rglob('*.dcm'))
for dcm_file in dcm_files:
fname = dcm_file.name.lower()
# Determine region from filename
if 'spine' in fname:
sample_region = 'spine'
target_col = 'spine_total'
elif 'l_hip' in fname or 'left' in fname:
sample_region = 'hip_left'
target_col = 'hip_left_total'
elif 'r_hip' in fname or 'right' in fname:
sample_region = 'hip_right'
target_col = 'hip_right_total'
else:
continue
# Filter by region if specified
if self.region and sample_region != self.region:
continue
# Get target from the same row
if target_col in row and pd.notna(row[target_col]):
target = int(row[target_col])
else:
# Use spine total as fallback
if pd.notna(row.get('spine_total', None)):
target = int(row['spine_total'])
else:
continue
samples.append({
'path': str(dcm_file),
'region': sample_region,
'target': target
})
return samples
def __len__(self):
return len(self.samples)
def __getitem__(self, idx):
sample = self.samples[idx]
# Load DICOM
ds = pydicom.dcmread(sample['path'])
img = ds.pixel_array.astype(np.float32)
# Normalize
img = (img - img.min()) / (img.max() - img.min() + 1e-8)
# Convert to RGB
img = np.stack([img] * 3, axis=2)
# Resize
img_pil = Image.fromarray((img * 255).astype(np.uint8))
img_pil = img_pil.resize((self.input_size, self.input_size), Image.BILINEAR)
img = np.array(img_pil).astype(np.float32) / 255.0
# CHW
img = img.transpose(2, 0, 1)
img = torch.from_numpy(img).float()
return img, torch.tensor(sample['target'], dtype=torch.long)
def train_model(model, train_loader, val_loader, epochs, lr, device, save_path):
"""Train model"""
model = model.to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.AdamW(model.parameters(), lr=lr, weight_decay=1e-4)
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.5, patience=2)
best_val_acc = 0
for epoch in range(epochs):
# Train
model.train()
train_loss = 0
train_correct = 0
train_total = 0
pbar = tqdm(train_loader, desc=f"Epoch {epoch+1}/{epochs}")
for images, labels in pbar:
images = images.to(device)
labels = labels.to(device)
optimizer.zero_grad()
outputs = model(images)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
train_loss += loss.item() * images.size(0)
_, predicted = outputs.max(1)
train_correct += predicted.eq(labels).sum().item()
train_total += labels.size(0)
pbar.set_postfix({'loss': train_loss/train_total, 'acc': train_correct/train_total})
train_acc = train_correct / train_total
# Validate
model.eval()
val_loss = 0
val_correct = 0
val_total = 0
with torch.no_grad():
for images, labels in val_loader:
images = images.to(device)
labels = labels.to(device)
outputs = model(images)
loss = criterion(outputs, labels)
val_loss += loss.item() * images.size(0)
_, predicted = outputs.max(1)
val_correct += predicted.eq(labels).sum().item()
val_total += labels.size(0)
val_acc = val_correct / val_total
scheduler.step(val_loss)
print(f"Epoch {epoch+1}: Train Acc={train_acc:.3f}, Val Acc={val_acc:.3f}, Val Loss={val_loss/val_total:.4f}")
if val_acc > best_val_acc:
best_val_acc = val_acc
torch.save(model.state_dict(), save_path)
print(f" -> Saved best model to {save_path}")
return best_val_acc
def main():
parser = argparse.ArgumentParser()
parser.add_argument('--data-root', default='dataset_hack/НД_для_обучения')
parser.add_argument('--annotation', default='dataset_hack/НД_для_обучения/разметка.xlsx')
parser.add_argument('--model-type', default='violation', choices=['quality', 'region', 'violation'])
parser.add_argument('--epochs', type=int, default=15)
parser.add_argument('--batch-size', type=int, default=8)
parser.add_argument('--lr', type=float, default=1e-4)
parser.add_argument('--input-size', type=int, default=224)
parser.add_argument('--output', default='models/')
parser.add_argument('--region', default=None, help='spine, hip_left, hip_right, or None for all')
args = parser.parse_args()
# Device
device = torch.device('cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu')
print(f"Using device: {device}")
# Create output dir
os.makedirs(args.output, exist_ok=True)
# Load dataset
dataset = DXATrainingDataset(
data_root=args.data_root,
annotation_path=args.annotation,
region=args.region,
input_size=args.input_size
)
if len(dataset) == 0:
print("ERROR: No samples found!")
return
# Split
n = len(dataset)
n_train = int(n * 0.8)
n_val = n - n_train
# Random split
indices = list(range(n))
random.shuffle(indices)
train_indices = indices[:n_train]
val_indices = indices[n_train:]
train_dataset = Subset(dataset, train_indices)
val_dataset = Subset(dataset, val_indices)
train_loader = DataLoader(train_dataset, batch_size=args.batch_size, shuffle=True, num_workers=0)
val_loader = DataLoader(val_dataset, batch_size=args.batch_size, shuffle=False, num_workers=0)
print(f"Train: {len(train_dataset)}, Val: {len(val_dataset)}")
# Class distribution
targets = [dataset.samples[i]['target'] for i in train_indices]
n_pos = sum(targets)
n_neg = len(targets) - n_pos
print(f"Class distribution - Positive: {n_pos}, Negative: {n_neg}")
# Create model
if args.model_type == 'quality':
from src.models.classification import QualityClassifier
model = QualityClassifier(backbone='resnet18', pretrained=True)
save_path = f"{args.output}/quality_classifier.pth"
elif args.model_type == 'region':
from src.models import RegionDetector
model = RegionDetector(backbone='resnet18', pretrained=True)
save_path = f"{args.output}/region_detector.pth"
else:
from src.models.classification import ViolationTypeClassifier
model = ViolationTypeClassifier(backbone='resnet18', pretrained=True)
save_path = f"{args.output}/violation_classifier.pth"
# Train
print(f"Training {args.model_type} model...")
best_acc = train_model(model, train_loader, val_loader, args.epochs, args.lr, device, save_path)
print(f"Best validation accuracy: {best_acc:.3f}")
print(f"Model saved to: {save_path}")
if __name__ == '__main__':
main()

431
tools/build_deck.py
View File

@ -1,431 +0,0 @@
#!/usr/bin/env python3
"""
Сборка презентации решения из шаблона организаторов `docs/lct_temppalte.pptx`.
Шаблон содержит готовые макеты: слайды 7–11 обязательны (титул, описание команды,
карточки участников, история команды, «коротко о решении»), слайды 12–29 —
оформление для содержательной части. Скрипт заполняет обязательные слайды и
подставляет наш контент в подходящие макеты, лишние слайды (вводные инструкции
организаторов и библиотеки иконок) удаляются.
Запуск:
python tools/build_deck.py # docs/deck.pptx
python tools/build_deck.py --out other.pptx
Про команду: данных о команде у скрипта нет, поэтому поля ФИО, контактов,
города и названия команды заполняются заглушками вида «{{...}}» — их нужно
заменить в PowerPoint. Всё, что касается задачи и решения, заполнено по фактам
из репозитория (`README.md`, `docs/labeling.md`, `models/compare_rules/`).
"""
from __future__ import annotations
import argparse
import copy
from pathlib import Path
from typing import Dict, Iterable, List, Sequence
from pptx import Presentation
from pptx.util import Emu, Inches
REPO = Path(__file__).resolve().parents[1]
TEMPLATE = REPO / "docs" / "lct_temppalte.pptx"
IMAGES = REPO / "docs" / "img"
#: Слайды шаблона, которые войдут в презентацию, в нужном порядке.
#: Ключ — номер слайда в шаблоне (нумерация с 1), значение — что он несёт.
DECK_ORDER: Sequence[int] = (7, 8, 9, 10, 11, 13, 21, 16, 17, 20, 22, 24, 15, 19, 18, 25)
#: Команда известна из `README.md` (раздел «Команда»). Контакты, город и место
#: работы/учёбы в репозитории не указаны — они остаются заглушками.
TEAM = (
{"name": "Грачев Татьяна", "role": "Капитан"},
{"name": "Грачев Денис", "role": "Разработка"},
)
CONTACT_PLACEHOLDER = ("{{Ник в мессенджере}}", "{{Телефон}}", "{{Место работы/учёбы}}")
#: Подписи, оставленные шаблоном как инструкция. Если после заполнения такая
#: строка осталась — значит, слайд заполнен не полностью.
INSTRUCTION_MARKERS = (
"Опишите", "Расскажите", "Капитан: ФИО", "Имя Фамилия", "__ человек",
"Опишите в чем",
)
def set_lines(text_frame, lines: Sequence[str]) -> None:
"""
Заменить содержимое текстового блока, сохранив оформление абзаца.
Оформление берётся у первого прогона первого абзаца: шаблонные шрифты,
кегли и цвета остаются как в макете.
"""
paragraphs = text_frame.paragraphs
while len(text_frame.paragraphs) > len(lines):
element = text_frame.paragraphs[-1]._p
element.getparent().remove(element)
while len(text_frame.paragraphs) < len(lines):
text_frame._txBody.append(copy.deepcopy(text_frame.paragraphs[-1]._p))
for paragraph, text in zip(text_frame.paragraphs, lines):
runs = paragraph.runs
if not runs:
paragraph.add_run().text = text
continue
runs[0].text = text
for run in runs[1:]:
run._r.getparent().remove(run._r)
def fill_by_placeholder(slide, content: Dict[int, Sequence[str]]) -> None:
"""Заполнить слайд по индексам плейсхолдеров (idx из шаблона)."""
for shape in slide.shapes:
if not shape.has_text_frame:
continue
try:
idx = shape.placeholder_format.idx
except (ValueError, AttributeError):
continue
if idx in content:
set_lines(shape.text_frame, content[idx])
def drop_shape(shape) -> None:
shape._element.getparent().remove(shape._element)
def apply_layout(prs, keep: Sequence[int], order: Sequence[int]) -> None:
"""
Оставить только нужные слайды и расставить их в порядке `order`.
Номера — исходные, из шаблона (с 1). Карта «номер → элемент» снимается до
удаления: иначе после удаления индексы сдвигаются и порядок перепутается.
"""
sld_id_lst = prs.slides._sldIdLst
elements = list(sld_id_lst)
by_original = {index + 1: element for index, element in enumerate(elements)}
assert set(order) <= set(keep) and len(set(order)) == len(order), "порядок и состав расходятся"
for number in sorted((n for n in by_original if n not in keep), reverse=True):
element = by_original[number]
prs.part.drop_rel(element.rId)
sld_id_lst.remove(element)
for element in list(sld_id_lst):
sld_id_lst.remove(element)
for number in order:
sld_id_lst.append(by_original[number])
def slide_by_number(prs, number: int):
return prs.slides[number - 1]
def fill_team_cards(slide, team: Sequence[dict]) -> None:
"""
Заполнить карточки участников и убрать лишние.
Макет рассчитан на пять человек: карточки — это рамки одинаковой ширины,
стоящие слева направо с шагом 2.52 дюйма, а подписи внутри карточки смещены
относительно её рамки. Поэтому карточка определяется по рамке, а её элементы —
по попаданию в горизонтальные границы рамки. Лишние карточки удаляются целиком:
пустая карточка с шаблонной подписью выглядит как незаполненный слайд.
"""
frames = [
shape for shape in slide.shapes
if shape.width is not None
and abs(Emu(shape.width).inches - 2.40) < 0.05
and abs(Emu(shape.height).inches - 5.29) < 0.05
]
frames.sort(key=lambda s: Emu(s.left).inches)
if len(frames) < len(team):
raise ValueError(f"в макете {len(frames)} карточек, а участников {len(team)}")
keep = frames[: len(team)]
drop = frames[len(team):]
def bounds(frame):
left = Emu(frame.left).inches
return left - 0.05, left + 2.45
for frame in drop:
low, high = bounds(frame)
for shape in list(slide.shapes):
if shape.left is None or shape.top is None:
continue
center = Emu(shape.left).inches + Emu(shape.width).inches / 2
if low < center < high:
drop_shape(shape)
for frame, member in zip(keep, team):
low, high = bounds(frame)
for shape in slide.shapes:
if shape.left is None or not shape.has_text_frame:
continue
center = Emu(shape.left).inches + Emu(shape.width).inches / 2
if not (low < center < high):
continue
text = shape.text_frame.text.strip()
if text == "Имя Фамилия":
set_lines(shape.text_frame, [member["name"]])
elif text.startswith("Роль в команде"):
set_lines(shape.text_frame, [member["role"], *CONTACT_PLACEHOLDER])
def add_screenshots(slide) -> None:
"""Заменить три фоторамки макета на снимки интерфейса без искажения пропорций."""
for shape in list(slide.shapes):
try:
if shape.is_placeholder and shape.placeholder_format.type == 18:
drop_shape(shape)
except (ValueError, AttributeError):
continue
placements = [
("ui-results.png", 0.40, 3.60, 7.40), # таблица результатов — широкая
("ui-detail-violation.png", 8.10, 1.10, 4.40), # панель деталей, нарушение
("ui-model-panel.png", 8.10, 4.40, 4.40), # панель «О модели»
]
for name, left, top, width in placements:
slide.shapes.add_picture(
str(IMAGES / name), Inches(left), Inches(top), width=Inches(width)
)
def build(out_path: Path) -> Path:
prs = Presentation(str(TEMPLATE))
# --- Обязательные слайды 7–11 -------------------------------------------------
fill_by_placeholder(slide_by_number(prs, 7), {
0: ["Контроль качества денситометрических исследований"],
12: ["Команда {{НАЗВАНИЕ КОМАНДЫ}} · задача от {{ПОСТАНОВЩИК ЗАДАЧИ}}"],
})
slide8 = slide_by_number(prs, 8)
fill_by_placeholder(slide8, {0: ["Команда {{НАЗВАНИЕ КОМАНДЫ}}"]})
for shape in slide8.shapes:
if not shape.has_text_frame:
continue
text = shape.text_frame.text
if text.startswith("Капитан:"):
set_lines(shape.text_frame, [
f"Капитан: {TEAM[0]['name']}",
f"Кол-во участников: {len(TEAM)} человека",
"Краткое описание:",
"{{город, место работы или учёбы, как собралась команда}}",
])
elif text.startswith("В чем суть вашего решения"):
set_lines(shape.text_frame, [
"Сервис оценивает качество снимка DXA: пригоден ли он для анализа и что именно не так. "
"Работает офлайн, до трёх минут на исследование.",
])
elif text.startswith("Что делает ваше решение"):
set_lines(shape.text_frame, [
"Правило разметки выбрано измерением, а не по вкусу; модель проверена на то, "
"что использует содержимое снимка.",
])
slide9 = slide_by_number(prs, 9)
fill_team_cards(slide9, TEAM)
slide10 = slide_by_number(prs, 10)
fill_by_placeholder(slide10, {
27: ["{{как собрались, участвовали ли вместе в прошлых проектах, интересные факты}}"],
0: ["Команда {{НАЗВАНИЕ}}"],
})
for shape in slide10.shapes:
if not shape.has_text_frame:
continue
text = shape.text_frame.text
if text.startswith("Расскажите о самых интересных"):
set_lines(shape.text_frame, [
"Данных с надёжной разметкой оказалось меньше трети: экспертная оценка сделана "
"на уровне исследования, а разметки областей интереса в DICOM нет. Локальная "
"vision-модель оказалась непригодна — это выяснилось на калибровке.",
])
elif text.startswith("Что вас вдохновило"):
set_lines(shape.text_frame, [
"{{что заинтересовало в задаче}}",
])
slide11 = slide_by_number(prs, 11)
fill_by_placeholder(slide11, {
38: [
"ResNet18 с замороженным backbone и линейной головой; один путь предобработки для обучения и API;",
"порог решения подобран по F1 и хранится в чекпоинте вместе с весами.",
"На фиксированном held-out наборе, пять seed'ов: ROC-AUC 0.6764 [0.6309; 0.7218], F1 0.5676 [0.5270; 0.6082].",
],
42: [
"Помощник для отделения денситометрии: приоритизирует ручной просмотр и снижает долю повторных исследований.",
"Разворачивается локально в контейнере, медицинские изображения не покидают контур.",
"Экономия — за счёт того, что специалист смотрит в первую очередь снимки с замечаниями.",
],
})
# --- Содержательная часть из макетов 12–29 ------------------------------------
fill_by_placeholder(slide_by_number(prs, 13), {
0: ["Задача и результат"],
1: [
"Области: поясничный отдел позвоночника и проксимальный отдел бедренной кости",
"Вход: DICOM без разметки, до трёх изображений в исследовании",
"Выход: XLSX или CSV, одна строка на снимок — регион, класс качества, тип нарушения",
"252 уникальных снимка в 100 исследованиях; 77 снимков с нарушением",
"Офлайн, в контейнере, не дольше трёх минут на исследование",
],
})
fill_by_placeholder(slide_by_number(prs, 21), {
0: ["Данные и разметка"],
21: ["252"], 18: ["уникальных снимка в 100 исследованиях"],
22: ["77"], 23: ["нарушений в обучающей разметке (30.6 %)"],
24: ["3"], 25: ["снимка без экспертной оценки — помечены явно, а не спрятаны"],
})
fill_by_placeholder(slide_by_number(prs, 16), {
0: ["Как построена разметка"],
49: ["01"], 37: ["Экспертная таблица"],
38: ["Оценка сделана на уровне исследования, по критериям: укладка, ось, артефакты, "
"позиционирование, область интереса"],
50: ["02"], 39: ["Перенос на снимок"],
40: ["После склейки дублей каждая область встречается в исследовании один раз — "
"вердикт переносится однозначно"],
51: ["03"], 41: ["Выбор правила"],
42: ["Два правила сравнили на одном разбиении, пять seed'ов, один эталон: "
"0.6764 против 0.6199"],
52: ["04"], 43: ["Тип нарушения"],
44: ["Берётся из структурированных критериев таблицы; комментарии эксперта сохраняем дословно"],
})
fill_by_placeholder(slide_by_number(prs, 17), {
0: ["Три решения, принятых по эксперименту"],
49: ["01"], 37: ["Аугментация отключена"],
38: ["Яркость и положение снимка сами являются признаками качества. "
"Включение роняло AUC с 0.87 до 0.56"],
50: ["02"], 39: ["Порог 0.5 отвергнут"],
40: ["Вероятности насыщаются. Порог подобран по логиту и F1 и хранится в чекпоинте"],
51: ["03"], 41: ["Vision-модель 9B отвергнута"],
42: ["На калибровке вынесла «непригоден» всем 14 снимкам, включая заведомо качественные"],
})
fill_by_placeholder(slide_by_number(prs, 20), {
0: ["Модель использует снимок, а не анатомию"],
14: ["Область почти однозначно определяется шириной кадра, поэтому проверяем, не выучила ли "
"модель просто область. Сравниваем с правилом «позвоночник значит нарушение» на тех же снимках."],
15: ["Модель: внутри областей AUC 0.85–0.93"],
16: ["Правило области: ровно 0.500 внутри области"],
17: ["Общий AUC модели 0.854 против 0.529 у правила"],
18: ["Проверка идёт по всему набору, включая обучающие снимки, — значения смещены вверх"],
19: ["Вывод: содержимое снимка даёт вклад, подмены качества анатомией нет"],
})
fill_by_placeholder(slide_by_number(prs, 22), {
0: ["Результат на held-out наборе"],
21: ["0.6764"], 18: ["ROC-AUC, 95 % интервал 0.6309–0.7218"],
22: ["0.4759"], 23: ["PR-AUC, интервал 0.4141–0.5377"],
24: ["0.5676"], 25: ["F1, интервал 0.5270–0.6082"],
26: ["5 × 2"], 27: ["прогона: пять seed'ов на два правила; снимки валидации в обучении не участвовали"],
})
fill_by_placeholder(slide_by_number(prs, 24), {
0: ["Почему модель простая"],
26: ["Проблема",
"Полный fine-tune на двухстах снимках переобучается: train-метрика уходит в единицу, "
"качество на валидации — к случайному"],
31: ["Решение",
"Замороженный ResNet18 как экстрактор признаков и линейная голова: обучаются тысячи "
"параметров вместо миллионов"],
32: ["Результат",
"Устойчивые метрики на пяти seed'ах и отсутствие подгонки под обучающую выборку"],
})
fill_by_placeholder(slide_by_number(prs, 15), {
0: ["Ограничения"],
15: ["Разметка выведена из оценки исследования: поштучной экспертной оценки снимков нет"],
16: ["252 снимка и 77 нарушений — доверительные интервалы широкие"],
17: ["Эталон — та же экспертная таблица; независимой истины нет"],
18: ["Тип нарушения определяет эвристика, а не обученная модель"],
19: ["Сторона бедра в 7 исследованиях не проверяема: теги латеральности в DICOM пусты"],
})
slide19 = slide_by_number(prs, 19)
fill_by_placeholder(slide19, {
0: ["Как это выглядит"],
14: ["Интерфейс: загрузка DICOM, таблица результатов, панель деталей и панель «О модели» "
"с метриками, словарём нарушений и списком ограничений."],
})
add_screenshots(slide19)
fill_by_placeholder(slide_by_number(prs, 18), {
0: ["Эксплуатация и упаковка"],
49: ["01"], 37: ["Скорость"],
38: ["15 мс на снимок на ускорителе, 20 мс на CPU; запас к бюджету три минуты более 3000×"],
50: ["02"], 39: ["Требования"],
40: ["Минимально достаточно CPU; чекпоинт 43 МБ; образ содержит код и интерфейс"],
51: ["03"], 41: ["API"],
42: ["Анализ файла, детальный отчёт, DICOM SR, пакетная обработка и выгрузка XLSX"],
52: ["04"], 43: ["Надёжность"],
44: ["Ошибка не выбрасывается исключением: строка получает processing_status = Failure"],
53: ["05"], 45: ["Офлайн"],
46: ["Ни внешних сервисов, ни обращений к CDN: ассеты интерфейса лежат локально"],
54: ["06"], 47: ["Тесты"],
48: ["209 автотестов, включая браузерные сценарии и проверку работы без сети"],
})
fill_by_placeholder(slide_by_number(prs, 25), {
0: ["План развития"],
26: ["Поштучная разметка"], 27: ["Разметить снимки специалистом — это снимает главное ограничение"],
28: ["Мультилейбл нарушений"], 29: ["Обучаемый тип нарушения вместо эвристики"],
30: ["Больше данных"], 31: ["500+ исследований, чтобы сузить доверительные интервалы"],
32: ["Калибровка области"], 33: ["Порог определения области под конкретное оборудование"],
34: ["Пилот в клинике"], 35: ["Приоритизация ручного просмотра с обратной связью врача"],
})
# --- Оставляем только нужные слайды и расставляем порядок ---------------------
apply_layout(prs, DECK_ORDER, DECK_ORDER)
out_path.parent.mkdir(parents=True, exist_ok=True)
prs.save(str(out_path))
return out_path
def check(path: Path) -> List[str]:
"""
Проверить результат: не осталось ли инструкций шаблона.
Заглушки для данных команды помечены «{{...}}» — они ожидаемы и замечанием
не считаются, иначе проверка ругалась бы на наши же плейсхолдеры.
"""
prs = Presentation(str(path))
problems: List[str] = []
for index, slide in enumerate(prs.slides, start=1):
for shape in slide.shapes:
if not shape.has_text_frame:
continue
text = shape.text_frame.text
if "{{" in text:
continue
for marker in INSTRUCTION_MARKERS:
if marker in text:
problems.append(f"слайд {index}: осталась инструкция шаблона «{marker}»")
return problems
def main(argv: Iterable[str] | None = None) -> int:
parser = argparse.ArgumentParser(description="Сборка презентации решения из шаблона")
parser.add_argument("--out", default=str(REPO / "docs" / "deck.pptx"))
args = parser.parse_args(list(argv) if argv is not None else None)
out = Path(args.out)
build(out)
print(f"собрано: {out} ({out.stat().st_size / 1024 / 1024:.1f} МБ)")
prs = Presentation(str(out))
print(f"слайдов: {len(prs.slides)}")
problems = check(out)
if problems:
print("замечания:")
for problem in problems:
print(" -", problem)
return 0
if __name__ == "__main__":
raise SystemExit(main())