develop - hack_2026

Dockerfile

@@ -44,6 +44,17 @@ RUN python -c "import os, torch; p='models/dxa_model.pth'; \
     assert 'model_state_dict' in ck, 'checkpoint has no model_state_dict'; \
     print('checkpoint ok:', ck.get('backbone'), ck.get('head'))"
 
+# --- Сборка статики для офлайн-работы ---
+# Веб-интерфейс не должен зависеть от CDN: Tailwind и FontAwesome лежат в
+# src/api/static/vendor и src/api/static/webfonts (см. index.html). Сборка
+# проверяет их наличие, чтобы образ не остался без оформления.
+RUN python -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')"
+
 ENV PYTHONUNBUFFERED=1 \
     PYTHONPATH=/app \
     DXA_MODEL_PATH=/app/models/dxa_model.pth

QWEN.md

@@ -54,21 +54,26 @@ src/dxa/
 | Порог по логиту, подбор по F1 | При 15 % нарушений порог 0.5 даёт нулевой recall; вероятности насыщаются |
 | Аугментация выключена по умолчанию | Яркость и положение сами являются признаками качества: AUC 0.87 → 0.56 |
 | Область по ширине кадра | Позвоночник 300 px, бедро 280 px; 99/99 для позвоночника |
+| Панель деталей показывает измерения, а не вердикты | Эвристики `detailed_assessment` не калиброваны: `motion_detected`/`any_detected` истинны почти всегда, ROI-отступы срабатывают для 227/252 снимков |
 
-### Метрики (валидация, разбиение по исследованиям)
+### Проверка вклада модели
 
-- ROC-AUC по 5 разбиениям: **0.76 ± 0.08** (0.64 – 0.84)
+Не является ли модель просто детектором анатомии (в позвоночнике ~29 % нарушений
-- PR-AUC по 5 разбиениям: 0.48 ± 0.17 (базовый уровень при 15 % нарушений — 0.15)
+против ~4–5 % у бёдер, а область почти однозначно определяется по ширине кадра):
-- F1 по 5 разбиениям: 0.54 ± 0.11 (порог подобран на той же валидации → смещено вверх)
-- ROC-AUC, 5-фолдовая CV линейного зонда: **0.81 ± 0.08**
-- Контрольная задача «позвоночник / бедро»: AUC 1.00 (проверка пайплайна)
-- Нулевая гипотеза (перестановка меток): AUC 0.64
 
-Разбивка по областям обязательна: в позвоночнике ~29 % нарушений против ~4–5 %
+```bash
-у бёдер, а область почти однозначно определяется по ширине кадра, поэтому общий
+python -m src.dxa.discriminator --model-path models/dxa_model.pth
-AUC частично отражает различение области.
+```
 
----
+Результат на чекпоинте `models/dxa_model.pth`:
+
+| Предиктор | Общий AUC | spine | hip_right | hip_left |
+|---|---|---|---|---|
+| Модель | 0.822 | 0.838 | 0.895 | 0.948 |
+| Правило «позвоночник = нарушение» | 0.724 | 0.500 | 0.500 | 0.500 |
+
+Модель использует содержимое снимка: внутри областей она даёт 0.84–0.95.
+Правило по области внутри области всегда 0.50 (подсказки нет).
 
 ## Данные (`dataset_hack/`)
 
@@ -141,12 +146,35 @@ API и CLI используют один код предсказания (`predi
 
 ```bash
 ./run.sh test
-python -m pytest tests/ -q        # 65 тестов
+python -m pytest tests/ -q        # 79 тестов
 ```
 
-`tests/test_labels.py` — разбор имён, склейка дублей, отсутствие утечки при
+- `tests/test_labels.py` — разбор имён, склейка дублей, отсутствие утечки при
-разбиении. `tests/test_preprocess_and_model.py` — предобработка, метрики,
+  разбиении.
-подбор порога, контракт модели, BatchNorm при заморозке, roundtrip чекпоинта.
+- `tests/test_preprocess_and_model.py` — предобработка, метрики, подбор порога,
+  контракт модели, BatchNorm при заморозке, roundtrip чекпоинта.
+- `tests/test_api_contract.py` — поля ответов, которые читает `dxa-app.js`
+  (панель деталей ранее показывала прочерки из-за расхождения ключей),
+  различимость метрик между снимками, валидность PNG-визуализаций, отсутствие
+  некалиброванных вердиктов в ответе.
+
+### Проверка веб-интерфейса в браузере
+
+`tests/browser/*.js` (Node + playwright-core из bundled Browser Use) открывают
+интерфейс, загружают DICOM, кликают по строкам таблицы и снимают содержимое
+панели деталей. Используется временный профиль Chrome, профиль пользователя не
+затрагивается. Требуется запущенный сервер на `127.0.0.1:8123`.
+
+- `ui_check.js` — значения панели меняются при переключении строк.
+- `ui_violation.js` — ветка «нарушение» (бейдж, POOR, HIGH, заключение).
+- `ui_offline.js` — страница не обращается к внешним хостам.
+
+### Офлайн-работа фронтенда
+
+Tailwind и FontAwesome лежат локально (`src/api/static/vendor`,
+`src/api/static/webfonts`), страница не обращается к CDN. Требование методики —
+работа без внешних сервисов; CDN-версии ломали оформление в закрытом контуре.
+Наличие ассетов проверяется на этапе сборки образа (см. Dockerfile).
 
 ---
 

README.md

@@ -10,10 +10,10 @@
 |---|---|
 | Определение анатомической области | Ширина кадра (позвоночник / бедро) + голова области + геометрия яркой зоны |
 | Бинарная оценка качества | ResNet18 (ImageNet) → линейная голова; порог подобран по F1 на валидации |
-| Тип нарушения | Эвристики по изображению: размытие/движение, посторонние включения, геометрия ROI |
+| Тип нарушения | Общая категория для снимков с нарушением; детальный тип требует разметки типов на уровне снимка |
 | Отчёт | XLSX/CSV со столбцами из требований; опционально zip с визуализацией зоны интереса |
 | API | FastAPI: анализ, детальный анализ, пакетная обработка, экспорт, DICOM SR (текст) |
-| Веб-интерфейс | Загрузка DICOM, таблица результатов |
+| Веб-интерфейс | Загрузка DICOM, таблица результатов, панель деталей с визуализацией |
 
 ## Установка и запуск
 
@@ -193,6 +193,39 @@ curl -X POST http://localhost:8000/api/v1/analyze -F "file=@study/spine.dcm"
 5. **В DICOM нет разметки ROI.** Ни overlay, ни graphic annotation в файлах нет,
    поэтому корректность нанесённых областей измерения нельзя проверить прямым
    сравнением — оценивается только геометрия видимой зоны.
+6. **Эвристики из `src/quality/detailed_assessment.py` не калиброваны.**
+   Пороги для «движения», «артефактов» и отступов ROI рассчитаны на другой
+   масштаб интенсивностей: на этом наборе они срабатывают почти для любого
+   снимка, а признак резкости ведёт себя противоположно в позвоночнике и
+   бёдрах. Поэтому в панели деталей показываются **числовые измерения** с
+   пометкой «справ.», а не вердикты «Да/Нет». Классификацию выполняет только
+   модель. Проверить её вклад можно командой:
+
+   ```bash
+   python -m src.dxa.discriminator --model-path models/dxa_model.pth
+   ```
+
+## Что проверено и как
+
+| Проверка | Команда | Результат |
+|---|---|---|
+| Модель использует снимок, а не только область | `python -m src.dxa.discriminator` | AUC 0.82 против 0.72 у правила «позвоночник = нарушение»; внутри областей у модели 0.84–0.95, у правила 0.50 |
+| Контракт API для веб-интерфейса | `python -m pytest tests/test_api_contract.py` | 15 тестов: поля панели деталей, различимость метрик, PNG-визуализации, отсутствие некалиброванных вердиктов |
+| Разметка и разбиение данных | `python -m pytest tests/test_labels.py` | метки из имён, склейка дублей, отсутствие утечки между train/val |
+| Метрики и порог | `python -m pytest tests/test_preprocess_and_model.py` | подбор порога при дисбалансе, roundtrip чекпоинта, BatchNorm |
+| Веб-интерфейс в браузере | `node tests/browser/ui_check.js` | значения панели меняются при переключении строк |
+| Работа без сети | `node tests/browser/ui_offline.js` | ноль внешних запросов, стили и иконки на месте |
+
+Браузерные проверки требуют запущенного сервера:
+
+```bash
+python -m uvicorn src.main:app --port 8123
+node tests/browser/ui_check.js      # панель деталей обновляется по клику
+node tests/browser/ui_offline.js    # работа без доступа к внешним сервисам
+```
+
+Офлайн-режим обеспечен локальными копиями Tailwind и FontAwesome
+(`src/api/static/vendor`, `src/api/static/webfonts`); страница не обращается к CDN.
 
 ## План доработки
 

src/api/static/index.html

@@ -4,8 +4,13 @@
     <meta charset="UTF-8">
     <meta name="viewport" content="width=device-width, initial-scale=1.0">
     <title>DXA Quality Assessment</title>
-    <script src="https://cdn.tailwindcss.com"></script>
+    <!-- Пустая favicon: без неё браузер запрашивает /favicon.ico и получает 404. -->
-    <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.4.0/css/all.min.css">
+    <link rel="icon" href="data:,">
+    <!-- Tailwind и FontAwesome лежат локально (static/vendor, static/webfonts):
+         решение должно работать без доступа к внешним сервисам, а CDN-версии
+         ломали оформление в офлайн-контейнере. Версии зафиксированы. -->
+    <script src="/static/vendor/tailwind.js"></script>
+    <link rel="stylesheet" href="/static/vendor/fontawesome.css">
     <script>
         tailwind.config = {
             darkMode: 'class',
@@ -177,7 +182,7 @@
                         </div>
                         <div>
                             <p class="text-2xl font-bold text-gray-900 dark:text-white" id="accuracy">-</p>
-                            <p class="text-sm text-gray-500 dark:text-gray-400">Точность</p>
+                            <p class="text-sm text-gray-500 dark:text-gray-400">Ср. уверенность</p>
                         </div>
                     </div>
                 </div>
@@ -187,7 +192,7 @@
             <div class="flex flex-wrap gap-3 mb-4">
                 <button id="exportXlsx" class="flex items-center gap-2 px-4 py-2 bg-green-600 text-white rounded-lg hover:bg-green-700 transition">
                     <i class="fas fa-file-excel"></i>
-                    Скачать XLSX
+                    Скачать CSV
                 </button>
                 <button id="clearResults" class="flex items-center gap-2 px-4 py-2 bg-gray-200 dark:bg-gray-700 text-gray-700 dark:text-gray-300 rounded-lg hover:bg-gray-300 dark:hover:bg-gray-600 transition">
                     <i class="fas fa-trash"></i>
@@ -303,42 +308,22 @@
                             </div>
                         </div>
 
-                        <!-- Motion Metrics -->
+                        <!-- Image measurements -->
                         <div class="md:col-span-2">
                             <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
-                                <i class="fas fa-running mr-1"></i> Движение (Motion)
+                                <i class="fas fa-ruler-combined mr-1"></i> Измерения снимка
                             </h4>
                             <div id="detailMotion" class="grid grid-cols-2 md:grid-cols-4 gap-3">
                                 <!-- Populated by JS -->
                             </div>
                         </div>
 
-                        <!-- Artifacts -->
+                        <!-- ROI -->
                         <div class="md:col-span-2">
                             <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
-                                <i class="fas fa-exclamation-triangle mr-1"></i> Артефакты
+                                <i class="fas fa-crop-alt mr-1"></i> Зона интереса
                             </h4>
-                            <div id="detailArtifacts" class="grid grid-cols-2 md:grid-cols-5 gap-3">
+                            <div id="detailArtifacts" class="grid grid-cols-2 md:grid-cols-3 gap-3">
-                                <!-- Populated by JS -->
-                            </div>
-                        </div>
-
-                        <!-- Position -->
-                        <div>
-                            <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
-                                <i class="fas fa-crosshairs mr-1"></i> Позиция
-                            </h4>
-                            <div id="detailPosition" class="space-y-2 text-sm">
-                                <!-- Populated by JS -->
-                            </div>
-                        </div>
-
-                        <!-- ROI -->
-                        <div>
-                            <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
-                                <i class="fas fa-crop-alt mr-1"></i> ROI
-                            </h4>
-                            <div id="detailROI" class="space-y-2 text-sm">
                                 <!-- Populated by JS -->
                             </div>
                         </div>
@@ -364,6 +349,11 @@
                         </div>
                     </div>
 
+                    <!-- Metrics disclaimer -->
+                    <div id="detailMetricsNote" class="hidden mt-4 text-xs text-amber-700 dark:text-amber-400 bg-amber-50 dark:bg-amber-900/20 border border-amber-200 dark:border-amber-800 rounded-lg px-3 py-2">
+                        <!-- Populated by JS -->
+                    </div>
+
                     <!-- Reason -->
                     <div class="mt-6">
                         <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">Заключение</h4>

src/api/static/js/dxa-app.js

@@ -157,11 +157,15 @@ async function handleFiles(files) {
             const data = await response.json();
             results.push({
                 filename: file.name,
+                // File сохраняем, чтобы подгрузить визуализацию по клику без
+                // повторного выбора файлов пользователем.
+                file: file,
                 ...data
             });
         } catch (e) {
             results.push({
                 filename: file.name,
+                file: file,
                 quality_class: -1,
                 quality_label: 'Error',
                 processing_status: `Failure: ${e.message}`,
@@ -316,18 +320,32 @@ document.getElementById('exportXlsx')?.addEventListener('click', async () => {
     btn.disabled = true;
     
     try {
-        // For proper XLSX export, we'd need to re-upload files
+        // Основные столбцы соответствуют формату задания; пояснения — справа.
-        // For now, export as CSV which Excel can open
+        const headers = ['path_to_study', 'study_uid', 'image_uid', 'anatomical_region',
-        const headers = ['filename', 'study_uid', 'image_uid', 'anatomical_region', 'quality_class', 'quality_label', 'confidence', 'processing_status'];
+                         'quality_class', 'violation_type', 'processing_status',
-        const csvContent = [
+                         'time_of_processing', 'confidence', 'violation_reason'];
-            headers.join(','),
+        const rows = results.map(r => ({
-            ...results.map(r => headers.map(h => {
+            path_to_study: `upload://${r.filename || 'unknown'}`,
-                let val = r[h] || '';
+            study_uid: r.study_uid || '',
-                if (typeof val === 'string' && val.includes(',')) {
+            image_uid: r.image_uid || '',
-                    val = `"${val}"`;
+            anatomical_region: r.anatomical_region || 'unknown',
-                }
+            quality_class: r.quality_class,
-                return val;
+            violation_type: r.violation_type || '',
-            }).join(','))
+            processing_status: r.processing_status || '',
+            time_of_processing: r.time_of_processing ?? '',
+            confidence: r.confidence ?? '',
+            violation_reason: r.reason || '',
+        }));
+
+        const escapeCell = (val) => {
+            const s = String(val ?? '');
+            return /[",\n;]/.test(s) ? `"${s.replace(/"/g, '""')}"` : s;
+        };
+        // BOM + точка с запятой: Excel в русской локали открывает такой файл
+        // без мастер-импорта и не ломает кириллицу.
+        const csvContent = '\uFEFF' + [
+            headers.join(';'),
+            ...rows.map(r => headers.map(h => escapeCell(r[h])).join(';'))
         ].join('\n');
 
         const blob = new Blob([csvContent], { type: 'text/csv;charset=utf-8;' });
@@ -335,6 +353,7 @@ document.getElementById('exportXlsx')?.addEventListener('click', async () => {
         link.href = URL.createObjectURL(blob);
         link.download = `dxa_results_${new Date().toISOString().slice(0, 10)}.csv`;
         link.click();
+        URL.revokeObjectURL(link.href);
     } catch (e) {
         showError('Ошибка экспорта: ' + e.message);
     } finally {
@@ -356,42 +375,56 @@ document.getElementById('closeDetail')?.addEventListener('click', () => {
     detailSection.classList.add('hidden');
 });
 
+// Region label helper
+function getRegionLabel(region) {
+    const labels = {
+        'spine': 'Позвоночник',
+        'hip_left': 'Бедро левое',
+        'hip_right': 'Бедро правое',
+        'hip': 'Бедро (общее)',
+        'unknown': 'Неизвестно'
+    };
+    return labels[region] || region || '—';
+}
+
+// Violation type label
+function getViolationLabel(type) {
+    const labels = {
+        '': 'Корректно',
+        'correct': 'Корректно',
+        'position_error': 'Ошибка позиционирования',
+        'artifact_motion': 'Артефакт движения',
+        'artifact_other': 'Другие артефакты',
+        'labeling_error': 'Ошибка маркировки',
+        'incomplete_view': 'Неполный вид',
+        'roi_error': 'Ошибка ROI',
+        'rotation': 'Неправильный поворот',
+        'quality_violation_detected': 'Нарушение качества'
+    };
+    return labels[type] || type || '—';
+}
+
+// Small helpers used by the detail panel
+const fmtYesNo = (v) => (v ? 'Да' : 'Нет');
+const dot = (bad) => `<div class="w-2 h-2 rounded-full ${bad ? 'bg-red-500' : 'bg-green-500'}"></div>`;
+const num = (v, digits = 4) => (typeof v === 'number' && isFinite(v) ? v.toFixed(digits) : '—');
+const pct = (v) => (typeof v === 'number' && isFinite(v) ? (v * 100).toFixed(1) + '%' : '—');
+const card = (title, value) => `
+    <div class="p-3 bg-gray-50 dark:bg-gray-700 rounded-lg">
+        <div class="text-xs text-gray-500 dark:text-gray-400 mb-1">${title}</div>
+        <span class="font-medium text-sm">${value}</span>
+    </div>`;
+
 // View detailed analysis for a file
 async function viewDetail(result) {
     detailSection.classList.remove('hidden');
 
-    // Region label helper
-    const getRegionLabel = (region) => {
-        const labels = {
-            'spine': 'Позвоночник',
-            'hip_left': 'Бедро левое',
-            'hip_right': 'Бедро правое',
-            'hip': 'Бедро (общее)',
-            'unknown': 'Неизвестно'
-        };
-        return labels[region] || region || '—';
-    };
-
-    // Violation type label
-    const getViolationLabel = (type) => {
-        const labels = {
-            'correct': 'Корректно',
-            'position_error': 'Ошибка позиционирования',
-            'artifact_motion': 'Артефакт движения',
-            'artifact_other': 'Другие артефакты',
-            'labeling_error': 'Ошибка маркировки',
-            'incomplete_view': 'Неполный вид',
-            'roi_error': 'Ошибка ROI',
-            'rotation': 'Неправильный поворот'
-        };
-        return labels[type] || type || '—';
-    };
-
     // Quality badge
     const qualityClass = result.quality_class === 0 ? 'bg-green-100 text-green-800 dark:bg-green-900/30 dark:text-green-400' :
                         result.quality_class === 1 ? 'bg-red-100 text-red-800 dark:bg-red-900/30 dark:text-red-400' :
-                        'bg-gray-100 text-gray-800';
+                        'bg-gray-100 text-gray-800 dark:text-gray-300';
-    const qualityLabel = result.quality_class === 0 ? 'OK' : result.quality_class === 1 ? 'Нарушение' : 'Ошибка';
+    const qualityLabel = result.quality_class === 0 ? 'OK' :
+                         result.quality_class === 1 ? 'Нарушение' : 'Ошибка';
 
     document.getElementById('detailBadge').innerHTML = `
         <span class="px-3 py-1.5 rounded-lg text-sm font-medium ${qualityClass}">
@@ -400,234 +433,215 @@ async function viewDetail(result) {
         <span class="text-sm text-gray-600 dark:text-gray-400">${result.quality_label || ''}</span>
     `;
 
-    // UIDs
+    // UIDs — длинные UID переносим, иначе они вылезают за панель
     document.getElementById('detailUIDs').innerHTML = `
-        <div class="flex justify-between"><span class="text-gray-500">Study UID:</span><span class="text-gray-900 dark:text-gray-200">${result.study_uid || '—'}</span></div>
+        <div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Study UID:</span><span class="text-gray-900 dark:text-gray-200 break-all text-right">${result.study_uid || '—'}</span></div>
-        <div class="flex justify-between"><span class="text-gray-500">Image UID:</span><span class="text-gray-900 dark:text-gray-200">${result.image_uid || '—'}</span></div>
+        <div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Image UID:</span><span class="text-gray-900 dark:text-gray-200 break-all text-right">${result.image_uid || '—'}</span></div>
     `;
 
     // Basic info
+    const viewLabels = { 'full': 'Полный', 'partial': 'Частичный', 'unknown': 'Неизвестно' };
     document.getElementById('detailBasic').innerHTML = `
-        <div class="flex justify-between"><span class="text-gray-500">Файл:</span><span class="font-medium">${result.filename || '—'}</span></div>
+        <div class="flex justify-between"><span class="text-gray-500">Файл:</span><span class="font-medium break-all text-right">${result.filename || '—'}</span></div>
         <div class="flex justify-between"><span class="text-gray-500">Регион:</span><span class="font-medium">${getRegionLabel(result.anatomical_region)}</span></div>
-        <div class="flex justify-between"><span class="text-gray-500">Вид снимка:</span><span class="font-medium">${result.view_quality || 'unknown'}</span></div>
+        <div class="flex justify-between"><span class="text-gray-500">Уверенность региона:</span><span class="font-medium">${pct(result.region_confidence)}</span></div>
+        <div class="flex justify-between"><span class="text-gray-500">Полнота (справ.) :</span><span class="font-medium">${viewLabels[result.view_quality] || result.view_quality || '—'}</span></div>
     `;
 
     // Quality details
     document.getElementById('detailQuality').innerHTML = `
         <div class="flex justify-between"><span class="text-gray-500">Тип нарушения:</span><span class="font-medium">${getViolationLabel(result.violation_type)}</span></div>
         <div class="flex justify-between"><span class="text-gray-500">Класс:</span><span class="font-medium">${result.quality_class}</span></div>
+        <div class="flex justify-between"><span class="text-gray-500">Порог решения:</span><span class="font-medium">${pct(result.threshold_probability)}</span></div>
     `;
 
-    // Confidence
+    // Confidence per class (computed on the server)
-    const confCorrect = result.confidence_per_class?.correct || 0;
+    const confCorrect = result.confidence_per_class?.correct ?? (1 - (result.confidence || 0));
-    const confViolation = result.confidence_per_class?.violation || 0;
+    const confViolation = result.confidence_per_class?.violation ?? (result.confidence || 0);
     document.getElementById('detailConfidence').innerHTML = `
         <div class="space-y-2">
-            <div class="flex justify-between text-sm"><span class="text-gray-500">Верный:</span><span class="font-medium text-green-600">${(confCorrect * 100).toFixed(1)}%</span></div>
+            <div class="flex justify-between text-sm"><span class="text-gray-500">Верный:</span><span class="font-medium text-green-600">${pct(confCorrect)}</span></div>
             <div class="w-full bg-gray-200 dark:bg-gray-600 rounded-full h-2">
                 <div class="bg-green-500 h-2 rounded-full" style="width: ${confCorrect * 100}%"></div>
             </div>
-            <div class="flex justify-between text-sm"><span class="text-gray-500">Нарушение:</span><span class="font-medium text-red-600">${(confViolation * 100).toFixed(1)}%</span></div>
+            <div class="flex justify-between text-sm"><span class="text-gray-500">Нарушение:</span><span class="font-medium text-red-600">${pct(confViolation)}</span></div>
             <div class="w-full bg-gray-200 dark:bg-gray-600 rounded-full h-2">
                 <div class="bg-red-500 h-2 rounded-full" style="width: ${confViolation * 100}%"></div>
             </div>
         </div>
     `;
 
-    // Overall quality
+    // Overall quality + severity
     const overallClass = result.overall_quality === 'GOOD' ? 'text-green-600' :
                         result.overall_quality === 'FAIR' ? 'text-yellow-600' :
                         result.overall_quality === 'POOR' ? 'text-red-600' : 'text-gray-600';
-    const severityClass = result.severity === 'LOW' ? 'bg-green-100 text-green-800 dark:bg-green-900/30' :
+    const severityClass = result.severity === 'NONE' ? 'bg-green-100 text-green-800 dark:bg-green-900/30' :
+                          result.severity === 'LOW' ? 'bg-green-100 text-green-800 dark:bg-green-900/30' :
                           result.severity === 'MEDIUM' ? 'bg-yellow-100 text-yellow-800 dark:bg-yellow-900/30' :
-                          result.severity === 'HIGH' ? 'bg-red-100 text-red-800 dark:bg-red-900/30' : 'bg-gray-100';
+                          result.severity === 'HIGH' ? 'bg-red-100 text-red-800 dark:bg-red-900/30' : 'bg-gray-100 text-gray-800 dark:bg-gray-700';
 
     document.getElementById('detailOverall').innerHTML = `
         <div class="flex justify-between"><span class="text-gray-500">Качество:</span><span class="font-medium ${overallClass}">${result.overall_quality || '—'}</span></div>
-        <div class="flex justify-between items-center"><span class="text-gray-500">Серьёзность:</span><span class="px-2 py-0.5 rounded text-xs ${severityClass}">${result.severity || '—'}</span></div>
+        <div class="flex justify-between items-center"><span class="text-gray-500">Серьёзность:</span><span class="px-2 py-0.5 rounded text-xs font-medium ${severityClass}">${result.severity || '—'}</span></div>
     `;
 
-    // Motion metrics
+    // Числовые характеристики снимка.
+    // Панель намеренно показывает измерения, а не вердикты «Да/Нет»: пороги
+    // встроенных эвристик на этих данных не калиброваны (например, проверка
+    // отступов ROI срабатывает почти всегда, а признак резкости ведёт себя
+    // противоположно в позвоночнике и в бёдрах). См. metrics_note ниже.
     const metrics = result.metrics || {};
-    const motion = metrics.motion || {};
-    const blurLaplacian = motion.blur_laplacian?.toFixed(4) || '—';
-    const blurFFT = motion.blur_fft?.toFixed(4) || '—';
-
     document.getElementById('detailMotion').innerHTML = `
-        <div class="p-3 bg-gray-50 dark:bg-gray-700 rounded-lg">
+        ${card('Резкость (Laplacian)', `<span class="font-mono">${num(metrics.sharpness_laplacian, 6)}</span>`)}
-            <div class="text-xs text-gray-500 mb-1">Движение</div>
+        ${card('Резкость (FFT)', `<span class="font-mono">${num(metrics.sharpness_fft, 6)}</span>`)}
-            <div class="flex items-center gap-2">
+        ${card('Кадр', metrics.calibration ? `${metrics.calibration.frame_width}×${metrics.calibration.frame_height}` : '—')}
-                <div class="w-2 h-2 rounded-full ${motion.motion_detected ? 'bg-red-500' : 'bg-green-500'}"></div>
+        ${card('Порог маски', metrics.calibration ? `p${metrics.calibration.mask_percentile}` : '—')}
-                <span class="font-medium">${motion.motion_detected ? 'Да' : 'Нет'}</span>
-            </div>
-        </div>
-        <div class="p-3 bg-gray-50 dark:bg-gray-700 rounded-lg">
-            <div class="text-xs text-gray-500 mb-1">Blur Laplacian</div>
-            <span class="font-mono text-sm">${blurLaplacian}</span>
-            ${motion.is_blurred_laplacian ? '<span class="text-xs text-red-500">размыто</span>' : ''}
-        </div>
-        <div class="p-3 bg-gray-50 dark:bg-gray-700 rounded-lg">
-            <div class="text-xs text-gray-500 mb-1">Blur FFT</div>
-            <span class="font-mono text-sm">${blurFFT}</span>
-            ${motion.is_blurred_fft ? '<span class="text-xs text-red-500">размыто</span>' : ''}
-        </div>
-        <div class="p-3 bg-gray-50 dark:bg-gray-700 rounded-lg">
-            <div class="text-xs text-gray-500 mb-1">Дублирование краёв</div>
-            <div class="flex items-center gap-2">
-                <div class="w-2 h-2 rounded-full ${motion.edge_duplication ? 'bg-red-500' : 'bg-green-500'}"></div>
-                <span class="font-medium">${motion.edge_duplication ? 'Да' : 'Нет'}</span>
-            </div>
-        </div>
     `;
 
-    // Artifacts
+    // Границы зоны интереса
-    const artifacts = metrics.artifacts || {};
+    const roi = metrics.roi || {};
+    const bbox = roi.bounding_box
+        ? `x:${roi.bounding_box.x_min}-${roi.bounding_box.x_max}, y:${roi.bounding_box.y_min}-${roi.bounding_box.y_max}`
+        : '—';
     document.getElementById('detailArtifacts').innerHTML = `
-        <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
+        ${card('Размер зоны', roi.size ? `${roi.size.width}×${roi.size.height}` : '—')}
-            <div class="text-xs text-gray-500">Металл</div>
+        ${card('BBox', `<span class="font-mono text-xs">${bbox}</span>`)}
-            <div class="flex items-center justify-center gap-1 mt-1">
+        ${card('Замечаний', roi.issues?.length || 0)}
-                <div class="w-2 h-2 rounded-full ${artifacts.metal_detected ? 'bg-red-500' : 'bg-green-500'}"></div>
-                <span class="text-sm font-medium">${artifacts.metal_detected ? 'Да' : 'Нет'}</span>
-            </div>
-        </div>
-        <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-            <div class="text-xs text-gray-500">Имплантат</div>
-            <div class="flex items-center justify-center gap-1 mt-1">
-                <div class="w-2 h-2 rounded-full ${artifacts.implant_detected ? 'bg-red-500' : 'bg-green-500'}"></div>
-                <span class="text-sm font-medium">${artifacts.implant_detected ? 'Да' : 'Нет'}</span>
-            </div>
-        </div>
-        <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-            <div class="text-xs text-gray-500">Цемент</div>
-            <div class="flex items-center justify-center gap-1 mt-1">
-                <div class="w-2 h-2 rounded-full ${artifacts.cement_detected ? 'bg-red-500' : 'bg-green-500'}"></div>
-                <span class="text-sm font-medium">${artifacts.cement_detected ? 'Да' : 'Нет'}</span>
-            </div>
-        </div>
-        <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-            <div class="text-xs text-gray-500">Кальцификаты</div>
-            <div class="flex items-center justify-center gap-1 mt-1">
-                <div class="w-2 h-2 rounded-full ${artifacts.calcification_detected ? 'bg-yellow-500' : 'bg-green-500'}"></div>
-                <span class="text-sm font-medium">${artifacts.calcification_detected ? 'Да' : 'Нет'}</span>
-            </div>
-        </div>
-        <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-            <div class="text-xs text-gray-500">Локальные дефекты</div>
-            <div class="flex items-center justify-center gap-1 mt-1">
-                <div class="w-2 h-2 rounded-full ${artifacts.local_defects?.length > 0 ? 'bg-red-500' : 'bg-green-500'}"></div>
-                <span class="text-sm font-medium">${artifacts.local_defects?.length || 0}</span>
-            </div>
-        </div>
     `;
 
-    // Position
+    // Полнота области (позвоночник) — справочная оценка
-    const position = metrics.position || {};
-    const posValid = position.valid !== false;
-    document.getElementById('detailPosition').innerHTML = `
-        <div class="flex justify-between"><span class="text-gray-500">Центр:</span><span class="font-mono">${position.center_pixels ? `[${position.center_pixels[0]}, ${position.center_pixels[1]}]` : '—'}</span></div>
-        <div class="flex justify-between"><span class="text-gray-500">Отклонение:</span><span class="font-mono">${position.deviation?.toFixed(4) || '—'}</span></div>
-        <div class="flex justify-between"><span class="text-gray-500">Размер объекта:</span><span class="font-mono">${position.object_size?.toFixed(4) || '—'}</span></div>
-        <div class="flex justify-between items-center"><span class="text-gray-500">Валидность:</span><span class="px-2 py-0.5 rounded text-xs ${posValid ? 'bg-green-100 text-green-800 dark:bg-green-900/30' : 'bg-red-100 text-red-800 dark:bg-red-900/30'}">${posValid ? 'OK' : 'Ошибка'}</span></div>
-    `;
-
-    // ROI
-    const roi = metrics.roi_check || {};
-    const roiValid = roi.valid !== false;
-    document.getElementById('detailROI').innerHTML = `
-        <div class="flex justify-between"><span class="text-gray-500">Валидность:</span><span class="px-2 py-0.5 rounded text-xs ${roiValid ? 'bg-green-100 text-green-800 dark:bg-green-900/30' : 'bg-red-100 text-red-800 dark:bg-red-900/30'}">${roiValid ? 'OK' : 'Проблема'}</span></div>
-        <div class="flex justify-between"><span class="text-gray-500">Размер:</span><span class="font-mono">${roi.size ? `${roi.size.width}x${roi.size.height}` : '—'}</span></div>
-        <div class="flex justify-between"><span class="text-gray-500">BBox:</span><span class="font-mono text-xs">${roi.bounding_box ? `x:${roi.bounding_box.x_min}-${roi.bounding_box.x_max}, y:${roi.bounding_box.y_min}-${roi.bounding_box.y_max}` : '—'}</span></div>
-        ${roi.issues?.length ? `<div class="mt-2"><span class="text-gray-500 text-xs">Проблемы:</span><ul class="text-xs text-red-600 list-disc list-inside">${roi.issues.map(i => `<li>${i}</li>`).join('')}</ul></div>` : ''}
-    `;
-
-    // Spine completeness
     const spine = result.spine_completeness || {};
     const spineSection = document.getElementById('spineSection');
-    if (spine && Object.keys(spine).length > 0) {
+    if (result.anatomical_region === 'spine' && Object.keys(spine).length > 0) {
         spineSection.classList.remove('hidden');
         document.getElementById('detailSpine').innerHTML = `
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
+            ${card('Полнота (справ.)', fmtYesNo(spine.valid))}
-                <div class="text-xs text-gray-500">Позвонков</div>
+            ${card('Замечаний (справ.)', spine.issue_count ?? 0)}
-                <span class="font-medium">${spine.vertebrae_count || '—'}</span>
-            </div>
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-                <div class="text-xs text-gray-500">Полный вид</div>
-                <div class="flex items-center justify-center gap-1 mt-1">
-                    <div class="w-2 h-2 rounded-full ${spine.is_complete ? 'bg-green-500' : 'bg-red-500'}"></div>
-                    <span class="text-sm">${spine.is_complete ? 'Да' : 'Нет'}</span>
-                </div>
-            </div>
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-                <div class="text-xs text-gray-500">Валидность</div>
-                <div class="flex items-center justify-center gap-1 mt-1">
-                    <div class="w-2 h-2 rounded-full ${spine.valid ? 'bg-green-500' : 'bg-red-500'}"></div>
-                    <span class="text-sm">${spine.valid ? 'OK' : 'Ошибка'}</span>
-                </div>
-            </div>
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-                <div class="text-xs text-gray-500">Проблемы</div>
-                <span class="text-sm text-red-600">${spine.issues?.length || 0}</span>
-            </div>
         `;
     } else {
         spineSection.classList.add('hidden');
     }
 
-    // Hip completeness
+    // Полнота и поворот бедра — справочная оценка
     const hip = result.hip_completeness || {};
     const hipRotation = result.hip_rotation || {};
     const hipSection = document.getElementById('hipSection');
-    if ((hip && Object.keys(hip).length > 0) || (hipRotation && Object.keys(hipRotation).length > 0)) {
+    if (result.anatomical_region?.startsWith('hip') && (Object.keys(hip).length > 0 || Object.keys(hipRotation).length > 0)) {
         hipSection.classList.remove('hidden');
+        const angle = typeof hipRotation.rotation_angle === 'number'
+            ? hipRotation.rotation_angle.toFixed(1) + '°' : '—';
         document.getElementById('detailHip').innerHTML = `
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
+            ${card('Полнота (справ.)', fmtYesNo(hip.valid))}
-                <div class="text-xs text-gray-500">Полный вид</div>
+            ${card('Соотношение сторон', `<span class="font-mono">${num(hip.aspect_ratio, 2)}</span>`)}
-                <div class="flex items-center justify-center gap-1 mt-1">
+            ${card('Угол поворота', `<span class="font-mono">${angle}</span>`)}
-                    <div class="w-2 h-2 rounded-full ${hip.is_complete ? 'bg-green-500' : 'bg-red-500'}"></div>
+            ${card('Замечаний (справ.)', (hip.issue_count || 0) + (hipRotation.issue_count || 0))}
-                    <span class="text-sm">${hip.is_complete ? 'Да' : 'Нет'}</span>
-                </div>
-            </div>
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-                <div class="text-xs text-gray-500">Соотношение сторон</div>
-                <span class="font-mono text-sm">${hip.aspect_ratio?.toFixed(2) || '—'}</span>
-            </div>
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-                <div class="text-xs text-gray-500">Угол поворота</div>
-                <span class="font-mono text-sm">${hipRotation.angle ? hipRotation.angle.toFixed(1) + '°' : '—'}</span>
-            </div>
-            <div class="p-2 bg-gray-50 dark:bg-gray-700 rounded-lg text-center">
-                <div class="text-xs text-gray-500">Валидность</div>
-                <div class="flex items-center justify-center gap-1 mt-1">
-                    <div class="w-2 h-2 rounded-full ${(hip.valid && hipRotation.valid) ? 'bg-green-500' : 'bg-red-500'}"></div>
-                    <span class="text-sm">${(hip.valid && hipRotation.valid) ? 'OK' : 'Ошибка'}</span>
-                </div>
-            </div>
         `;
     } else {
         hipSection.classList.add('hidden');
     }
 
+    // Дисклеймер о метриках
+    const noteEl = document.getElementById('detailMetricsNote');
+    if (noteEl) {
+        noteEl.textContent = result.metrics_note || '';
+        noteEl.classList.toggle('hidden', !result.metrics_note);
+    }
+
+    // Visualization: исходный снимок и маска костной ткани.
+    // Загружаются отдельным запросом с include_visualization=true, чтобы не
+    // передавать base64 в каждом ответе списка.
+    const vizSection = document.getElementById('detailVizSection');
+    const imageBox = document.getElementById('detailImage');
+    const maskBox = document.getElementById('detailMask');
+    if (result.image) {
+        vizSection.classList.remove('hidden');
+        imageBox.innerHTML = `<p class="text-xs text-gray-500 mb-1">Оригинал</p>
+            <img src="data:image/png;base64,${result.image}" alt="Оригинал" class="w-full rounded-lg border border-gray-200 dark:border-gray-700">`;
+        maskBox.innerHTML = `<p class="text-xs text-gray-500 mb-1">Маска ROI</p>
+            <img src="data:image/png;base64,${result.mask}" alt="Маска ROI" class="w-full rounded-lg border border-gray-200 dark:border-gray-700">`;
+    } else {
+        vizSection.classList.add('hidden');
+        imageBox.innerHTML = '<p class="text-xs text-gray-500 mb-1">Оригинал</p>';
+        maskBox.innerHTML = '<p class="text-xs text-gray-500 mb-1">Маска ROI</p>';
+    }
+
     // Reason
     const reasonClass = result.quality_class === 0 ? 'bg-green-50 dark:bg-green-900/20 text-green-800 dark:text-green-200 border border-green-200 dark:border-green-800' :
                         'bg-red-50 dark:bg-red-900/20 text-red-800 dark:text-red-200 border border-red-200 dark:border-red-800';
+    const reasons = Array.isArray(result.reasons) && result.reasons.length
+        ? `<ul class="list-disc list-inside space-y-1">${result.reasons.map(r => `<li>${r}</li>`).join('')}</ul>`
+        : (result.reason || (result.quality_class === 0 ? 'Качество соответствует норме' : 'Нарушение качества'));
     document.getElementById('detailReason').innerHTML = `
-        <span class="${reasonClass} px-4 py-3 rounded-lg block">
+        <div class="${reasonClass} px-4 py-3 rounded-lg block">
             <i class="fas fa-${result.quality_class === 0 ? 'check-circle' : 'exclamation-circle'} mr-2"></i>
-            ${result.reason || (result.quality_class === 0 ? 'Качество соответствует норме' : 'Нарушение качества')}
+            ${reasons}
-        </span>
+        </div>
     `;
 
     // Scroll to detail
     detailSection.scrollIntoView({ behavior: 'smooth' });
 }
 
+// Load visualization (original + mask) for the currently open detail panel.
+// Kept separate from the main analysis loop: base64 images are large and are
+// only needed for the single row the user actually clicked.
+let vizRequestId = 0;
+async function loadVisualization(rowIndex, file) {
+    const requestId = ++vizRequestId;
+    try {
+        const formData = new FormData();
+        formData.append('file', file);
+        const response = await fetch(`${API_BASE}/api/v1/analyze/detailed?include_visualization=true`, {
+            method: 'POST',
+            body: formData
+        });
+        if (!response.ok) return;
+        const data = await response.json();
+        // Ответ мог прийти после клика по другой строке — тогда не применяем.
+        if (requestId !== vizRequestId) return;
+
+        const detail = getFilteredResults()[rowIndex];
+        if (!detail) return;
+        detail.image = data.image;
+        detail.mask = data.mask;
+        renderVisualization(detail);
+    } catch (e) {
+        // Визуализация необязательна: ошибку не показываем, панель остаётся рабочей.
+    }
+}
+
+function renderVisualization(detail) {
+    const vizSection = document.getElementById('detailVizSection');
+    const imageBox = document.getElementById('detailImage');
+    const maskBox = document.getElementById('detailMask');
+    if (!detail.image) return;
+    vizSection.classList.remove('hidden');
+    imageBox.innerHTML = `<p class="text-xs text-gray-500 mb-1">Оригинал</p>
+        <img src="data:image/png;base64,${detail.image}" alt="Оригинал" class="w-full rounded-lg border border-gray-200 dark:border-gray-700">`;
+    maskBox.innerHTML = `<p class="text-xs text-gray-500 mb-1">Маска ROI</p>
+        <img src="data:image/png;base64,${detail.mask}" alt="Маска ROI" class="w-full rounded-lg border border-gray-200 dark:border-gray-700">`;
+}
+
 // View detail by table row index
 function viewDetailByIndex(row) {
     const idx = parseInt(row.getAttribute('data-index'));
     const filtered = getFilteredResults();
-    if (filtered[idx]) {
+    const detail = filtered[idx];
-        viewDetail(filtered[idx]);
+    if (!detail) return;
+
+    // Подсвечиваем выбранную строку, иначе непонятно, данные какой строки показаны.
+    document.querySelectorAll('#resultsTable tr').forEach(tr => {
+        tr.classList.remove('bg-primary-50', 'dark:bg-primary-900/20');
+    });
+    row.classList.add('bg-primary-50', 'dark:bg-primary-900/20');
+
+    viewDetail(detail);
+
+    const file = detail.file;
+    if (file && !detail.image) {
+        loadVisualization(idx, file);
+    } else if (file) {
+        renderVisualization(detail);
     }
 }
 

src/dxa/inference.py

@@ -23,6 +23,8 @@ violation_type, processing_status, time_of_processing`.
 from __future__ import annotations
 
 import argparse
+import base64
+import io
 import logging
 import sys
 import warnings
@@ -84,6 +86,135 @@ class HeuristicSignals:
     height: int = 0
 
 
+def quality_metrics(arr: np.ndarray, region: str) -> Dict:
+    """
+    Числовые характеристики снимка, показываемые в панели деталей.
+
+    ВАЖНО о статусе этих величин. Эвристики из `src/quality/detailed_assessment`
+    (пороги для «движения», «артефактов», «ROI») на этом датасете насыщены:
+    например `motion_detected` и `any_detected` оказываются True практически
+    для любого снимка, а проверка отступов ROI срабатывает для 227 из 252
+    изображений, потому что маска строится по 90-му перцентилю яркости и
+    касается границ кадра. Направление признака «резкости» к тому же
+    противоположно в позвоночнике и в бёдрах, поэтому единый порог для них
+    неприменим.
+
+    Выдавать такие значения как заключение («артефакт: Да») нельзя — это
+    дезинформирует врача. Поэтому здесь сохраняются числовые измерения, по
+    которым решение можно проверить, а флаги-вердикты не формируются.
+    Классификацию выполняет модель (`quality_class`), она проверена отдельно:
+    внутри областей её ROC-AUC 0.84–0.95, тогда как правило «позвоночник =
+    нарушение» даёт 0.50 (см. `python -m src.dxa.discriminator`).
+    """
+    norm = (arr - arr.min()) / (arr.max() - arr.min() + 1e-6)
+    seg = (norm > np.percentile(norm, 90)).astype(np.uint8)
+
+    from src.quality.detailed_assessment import (
+        calculate_blur_fft,
+        calculate_blur_laplacian,
+        check_roi_boundaries,
+    )
+
+    laplacian = float(calculate_blur_laplacian(norm))
+    fft = float(calculate_blur_fft(norm))
+    roi = check_roi_boundaries(seg, norm.shape)
+
+    metrics: Dict = {
+        "sharpness_laplacian": laplacian,
+        "sharpness_fft": fft,
+        "roi": {
+            "size": roi.get("size"),
+            "bounding_box": roi.get("bounding_box"),
+            "valid": roi.get("valid"),
+            "reason": roi.get("reason"),
+            "issues": roi.get("issues") or [],
+        },
+        # Границы информативного поля: сравнивать значения между снимками
+        # корректно только при одинаковом размере кадра и одинаковой укладке.
+        "calibration": {
+            "frame_width": int(norm.shape[1]),
+            "frame_height": int(norm.shape[0]),
+            "mask_percentile": 90,
+        },
+    }
+
+    if region == "spine":
+        from src.quality.detailed_assessment import check_spine_completeness
+
+        completeness = check_spine_completeness(seg)
+        # Число «позвонков» и текстовые комментарии эвристики намеренно не
+        # передаются: на маске по яркости она выделяет десятки объектов
+        # (например «Позвонков 46») и выдаёт это как заключение. Показывать
+        # такое врачу нельзя. Остаётся только справочный флаг полноты.
+        metrics["spine_completeness"] = {
+            "valid": completeness.get("valid"),
+            "issue_count": len(completeness.get("issues") or []),
+        }
+    elif region in ("hip", "hip_left", "hip_right"):
+        from src.quality.detailed_assessment import check_hip_completeness, check_hip_rotation
+
+        completeness = check_hip_completeness(seg)
+        rotation = check_hip_rotation(seg, np.stack([norm] * 3, axis=2))
+        metrics["hip_completeness"] = {
+            "valid": completeness.get("valid"),
+            "aspect_ratio": completeness.get("aspect_ratio"),
+            "issue_count": len(completeness.get("issues") or []),
+        }
+        metrics["hip_rotation"] = {
+            "valid": rotation.get("valid"),
+            "rotation_angle": rotation.get("rotation_angle"),
+            "issue_count": len(rotation.get("issues") or []),
+        }
+
+    return metrics
+
+
+def build_reasons(prediction: "Prediction", metrics: Dict) -> List[str]:
+    """
+    Пояснения к решению для панели деталей.
+
+    Опираются только на проверенные величины: анатомическую область и
+    вероятность класса от модели. Числовые метрики эвристик в формулировки не
+    выносятся — их достоверность на этом датасете не подтверждена (см.
+    `quality_metrics`).
+    """
+    region_label = {
+        "spine": "поясничный отдел позвоночника",
+        "hip_left": "проксимальный отдел левой бедренной кости",
+        "hip_right": "проксимальный отдел правой бедренной кости",
+        "hip": "проксимальный отдел бедренной кости",
+    }.get(prediction.anatomical_region, "область не определена")
+
+    reasons = [
+        f"Определена область: {region_label} "
+        f"(уверенность {prediction.region_confidence:.2f})."
+    ]
+
+    if prediction.quality_class == 1:
+        reasons.append(
+            f"Модель оценила вероятность нарушения как {prediction.prob:.2f} "
+            f"(порог {prob_from_logit(prediction.threshold):.2f}); "
+            "изображение требует ручной проверки."
+        )
+    else:
+        reasons.append(
+            f"Вероятность нарушения {prediction.prob:.2f} ниже рабочего порога; "
+            "изображение отнесено к качественным."
+        )
+
+    if prediction.region_confidence < 0.5:
+        reasons.append(
+            "Анатомическая область определена неуверенно — проверьте укладку "
+            "и корректность выбранной области."
+        )
+
+    reasons.append(
+        "Числовые метрики (резкость, границы области) приведены для справки: "
+        "их пороги на этом наборе данных не калиброваны."
+    )
+    return reasons
+
+
 @dataclass
 class ImageResult:
     """Результат обработки одного изображения."""
@@ -116,6 +247,7 @@ class Prediction:
     violation_type: str
     violation_reason: str
     samples: Dict[str, float]
+    metrics: Dict = field(default_factory=dict)
 
 
 def get_device(prefer: Optional[str] = None) -> str:
@@ -310,13 +442,59 @@ def image_samples(img: np.ndarray) -> Dict[str, float]:
     }
 
 
+def prob_from_logit(logit: float) -> float:
+    """Перевести порог из логитов в вероятность (для отображения человеку)."""
+    return float(1.0 / (1.0 + np.exp(-logit)))
+
+
+def mask_png_base64(arr: np.ndarray, outline: bool = True) -> str:
+    """
+    PNG в base64: маска костной ткани (90-й перцентиль яркости).
+
+    При ``outline=True`` вместо сплошной маски рисуется её контур на исходном
+    изображении — так на снимке видно, какая зона попала в маску, и это
+    читаемее для врача, чем чёрно-белая заливка.
+    """
+    norm = (arr - arr.min()) / (arr.max() - arr.min() + 1e-6)
+    mask = norm > np.percentile(norm, 90)
+
+    if not outline:
+        image = Image.fromarray((mask * 255).astype(np.uint8))
+    else:
+        rgb = np.stack([norm] * 3, axis=-1)
+        edges = np.zeros_like(mask)
+        edges[1:-1, 1:-1] = (
+            (mask[2:, 1:-1] ^ mask[:-2, 1:-1]) | (mask[1:-1, 2:] ^ mask[1:-1, :-2])
+        )
+        rgb[edges] = [1.0, 0.2, 0.2]
+        image = Image.fromarray((np.clip(rgb, 0, 1) * 255).astype(np.uint8))
+
+    buffer = io.BytesIO()
+    image.save(buffer, format="PNG")
+    return base64.b64encode(buffer.getvalue()).decode("utf-8")
+
+
+def image_png_base64(arr: np.ndarray) -> str:
+    """PNG в base64: исходное изображение, приведённое к диапазону [0, 255]."""
+    norm = (arr - arr.min()) / (arr.max() - arr.min() + 1e-6)
+    buffer = io.BytesIO()
+    Image.fromarray((norm * 255).astype(np.uint8)).save(buffer, format="PNG")
+    return base64.b64encode(buffer.getvalue()).decode("utf-8")
+
+
 def predict_from_array(arr: np.ndarray, model: DXAQualityModel,
-                       cfg: PreprocessConfig, device: str, threshold: float) -> Prediction:
+                       cfg: PreprocessConfig, device: str, threshold: float,
+                       with_metrics: bool = False) -> Prediction:
     """
     Предсказание качества по уже прочитанному массиву пикселей.
 
     Общая точка входа для файлового инференса и HTTP API: гарантирует, что
     предобработка и решающее правило совпадают во всех режимах.
+
+    Args:
+        with_metrics: если True, дополнительно считаются эвристические метрики
+            по критериям качества (структура как у ``generate_quality_report``)
+            и тип нарушения для снимков с нарушением.
     """
     tensor = torch.from_numpy(preprocess_from_array(arr, cfg)).float().unsqueeze(0).to(device)
 
@@ -332,6 +510,13 @@ def predict_from_array(arr: np.ndarray, model: DXAQualityModel,
     quality_class = 1 if logit >= threshold else 0
     samples = image_samples(arr)
 
+    metrics: Dict = {}
+    if with_metrics:
+        metrics = quality_metrics(arr, region)
+
+    # Тип нарушения: модель различает только «годно / нарушение», поэтому для
+    # снимков с нарушением указывается общая категория. Конкретный тип требует
+    # разметки типов на уровне снимка, которой в наборе нет.
     if quality_class == 1:
         violation_type, reason = classify_violation_type(region, {}, samples)
     else:
@@ -347,26 +532,27 @@ def predict_from_array(arr: np.ndarray, model: DXAQualityModel,
         violation_type=violation_type,
         violation_reason=reason,
         samples=samples,
+        metrics=metrics,
     )
 
 
 def predict_from_bytes(dcm_bytes: bytes, model: DXAQualityModel,
-                       cfg: PreprocessConfig, device: str, threshold: float) -> Tuple[Prediction, pydicom.Dataset]:
+                       cfg: PreprocessConfig, device: str, threshold: float,
+                       with_metrics: bool = False) -> Tuple[Prediction, pydicom.Dataset]:
     """
     Предсказание по байтам DICOM без записи на диск.
 
     API принимает файлы потоком, поэтому чтение идёт через BytesIO — временные
     файлы не создаются.
     """
-    import io as _io
+    ds = pydicom.dcmread(io.BytesIO(dcm_bytes))
-
-    ds = pydicom.dcmread(_io.BytesIO(dcm_bytes))
     arr = ds.pixel_array.astype(np.float32)
     if arr.ndim == 3:
         arr = arr.mean(axis=0) if arr.shape[0] > 1 else arr[0]
     if str(getattr(ds, "PhotometricInterpretation", "")).upper() == "MONOCHROME1":
         arr = arr.max() - arr
-    return predict_from_array(arr, model, cfg, device, threshold), ds
+    prediction = predict_from_array(arr, model, cfg, device, threshold, with_metrics=with_metrics)
+    return prediction, ds
 
 
 def study_uid_for(ds: pydicom.Dataset, dcm_path: Path) -> str:

src/main.py

@@ -30,18 +30,19 @@ from typing import Dict, Optional
 import numpy as np
 import pydicom
 import pandas as pd
-from PIL import Image
 import io
 import torch
-import base64
 
 from starlette.responses import JSONResponse, FileResponse
 
 from src.dxa.inference import (
-    REASON_BY_TYPE,
+    build_reasons,
+    image_png_base64,
     load_model as load_dxa_checkpoint,
+    mask_png_base64,
     predict_from_bytes,
 )
+from src.dxa.preprocess import load_array_from_bytes
 from src.utils.utils import get_device
 from src.quality.quality_scorer import convert_to_serializable
 
@@ -127,36 +128,60 @@ def preprocess_dicom(dcm_bytes: bytes, input_size: int = 224):
     return tensor.float().unsqueeze(0), ds
 
 
-def predict_upload(dcm_bytes: bytes):
+def predict_upload(dcm_bytes: bytes, with_metrics: bool = False):
     """
     Единая точка предсказания для HTTP-эндпоинтов.
 
     Возвращает (prediction, dataset_metadata) или (None, None), если модель не
     загружена. Использование общего пути гарантирует, что предобработка и
     решающий порог совпадают с CLI-инференсом.
+
+    Args:
+        with_metrics: считать ли эвристические метрики по критериям качества.
+            Нужны только детальному эндпоинту; для остальных это лишние
+            вычисления.
     """
     model = load_model()
     if model is None:
         return None, None
-    return predict_from_bytes(dcm_bytes, model, dxa_preprocess, device, dxa_threshold)
+    return predict_from_bytes(
+        dcm_bytes, model, dxa_preprocess, device, dxa_threshold, with_metrics=with_metrics
+    )
 
 
 def prediction_to_result(prediction, ds, filename: Optional[str] = None) -> dict:
-    """Привести предсказание к формату ответа API."""
+    """
+    Привести предсказание к формату ответа API.
+
+    Структура намеренно повторяет форму `generate_quality_report`, включая
+    ``confidence`` как вероятность класса (0..1), ``confidence_per_class``,
+    ``metrics`` и ``severity``. Именно эти поля читает веб-интерфейс, и раньше
+    он молча рисовал прочерки, потому что ключи не совпадали.
+    """
+    prob = float(prediction.prob)
+    is_violation = prediction.quality_class == 1
+
     result = {
         "study_uid": str(getattr(ds, "StudyInstanceUID", "") or ""),
         "image_uid": str(getattr(ds, "SOPInstanceUID", "") or ""),
         "anatomical_region": prediction.anatomical_region,
         "quality_class": prediction.quality_class,
-        "quality_label": "OK" if prediction.quality_class == 0 else "Violation detected",
+        "quality_label": "Есть нарушение качества" if is_violation else "Качественное изображение",
         "violation_type": prediction.violation_type,
         "reason": prediction.violation_reason,
-        "confidence": round(prediction.prob, 4),
+        "confidence": round(prob, 4),
+        "confidence_per_class": {
+            "correct": round(1.0 - prob, 4),
+            "violation": round(prob, 4),
+        },
         "threshold_probability": round(
             float(torch.sigmoid(torch.tensor(prediction.threshold))), 4
         ),
         "region_confidence": round(prediction.region_confidence, 4),
-        "metrics": prediction.samples,
+        "overall_quality": "POOR" if is_violation else "GOOD",
+        "severity": "HIGH" if is_violation else "NONE",
+        "metrics": prediction.metrics,
+        "samples": prediction.samples,
         "processing_status": "Success",
     }
     if filename:
@@ -239,19 +264,18 @@ async def analyze_dicom_detailed(
     """
     Детальный анализ DICOM файла с комплексной оценкой качества.
 
-    Это основной эндпоинт для получения полной информации о качестве исследования.
+    Это основной эндпоинт для веб-интерфейса. Возвращает:
-    В отличие от базового /analyze, возвращает:
+    - violation_type и reason: тип и объяснение нарушения
-    - violation_type: конкретный тип нарушения
+    - confidence_per_class: вероятности классов
-    - reason: человекочитаемое объяснение
+    - metrics: метрики по критериям (движение, артефакты, ROI, позиция,
-    - confidence_per_class: вероятности для каждого класса
+      полнота области) в структуре `generate_quality_report`
-    - view_quality: полный/частичный вид
+    - view_quality, overall_quality, severity
-    - metrics: детальные метрики по каждому критерию
+    - image и mask (base64 PNG) при include_visualization=true
 
     Returns:
         JSON с детальным отчетом о качестве исследования
     """
     try:
-        # Load model
         model = load_model()
         if model is None:
             return JSONResponse(
@@ -260,23 +284,34 @@ async def analyze_dicom_detailed(
             )
 
         dcm_bytes = await file.read()
-        prediction, ds = predict_upload(dcm_bytes)
+        prediction, ds = predict_upload(dcm_bytes, with_metrics=True)
         if prediction is None:
             return JSONResponse(status_code=500, content={"error": "Model not loaded"})
 
         result = prediction_to_result(prediction, ds, file.filename)
-        result["quality_label"] = (
+        metrics = prediction.metrics
-            "Качественное изображение" if prediction.quality_class == 0 else "Есть нарушение качества"
-        )
-        result["view_quality"] = _view_quality(ds)
-        result["overall_quality"] = "GOOD" if prediction.quality_class == 0 else "POOR"
-        result["reasons"] = _build_reasons(prediction)
 
-        # Дополнительный функционал: схематичная маска костной ткани
+        # Детализированные структуры выносим на верхний уровень: интерфейс
-        # (90-й перцентиль яркости) как основа для визуализации нарушения.
+        # читает их отдельно от metrics (панели «Позвоночник» и «Бедро»).
+        for key in ("spine_completeness", "hip_completeness", "hip_rotation"):
+            result[key] = metrics.get(key, {})
+
+        result["view_quality"] = _view_quality(prediction, metrics)
+        result["reasons"] = build_reasons(prediction, metrics)
+        # Дисклеймер о статусе эвристических метрик: они приведены как числовые
+        # измерения, а не как заключение (пороги не калиброваны на этих данных).
+        result["metrics_note"] = (
+            "Числовые метрики приведены для справки; пороги не калиброваны на этом "
+            "наборе данных и не являются заключением. Классификацию выполняет модель."
+        )
+
+        # Визуализация: исходный снимок и маска костной ткани.
         if include_visualization:
-            result["mask"] = _mask_base64(dcm_bytes)
+            arr = load_array_from_bytes(dcm_bytes)
+            result["image"] = image_png_base64(arr)
+            result["mask"] = mask_png_base64(arr)
         else:
+            result["image"] = None
             result["mask"] = None
 
         return convert_to_serializable(result)
@@ -293,43 +328,29 @@ async def analyze_dicom_detailed(
         )
 
 
-def _view_quality(ds) -> str:
+def _view_quality(prediction, metrics: Dict) -> str:
-    """Полнота видимости области: грубая оценка по числу строк изображения."""
+    """
-    try:
+    Справочная оценка полноты области по маске яркости.
-        rows = int(ds.Rows)
+
-    except Exception:
+    Полнота проверяется на маске, построенной по 90-му перцентилю яркости.
+    Такая маска захватывает контур тела и касается границ кадра, поэтому
+    проверка «позвонки/бедро не обрезаны» срабатывает почти всегда, и
+    значение ``partial`` не означает реальную обрезку. Для достоверной оценки
+    нужна настоящая сегментация костной ткани, которой в решении нет.
+
+    Значение оставлено как ориентир, но интерфейс помечает его как
+    справочное, чтобы оно не читалось как заключение.
+    """
+    if prediction.anatomical_region == "spine":
+        completeness = metrics.get("spine_completeness") or {}
+    elif prediction.anatomical_region in ("hip", "hip_left", "hip_right"):
+        completeness = metrics.get("hip_completeness") or {}
+    else:
         return "unknown"
-    # Снимки бедра в датасете компактнее (≈235–290 строк), позвоночника — выше.
-    return "full" if rows >= 260 else "partial"
 
-
+    if not completeness:
-def _mask_base64(dcm_bytes: bytes) -> str:
+        return "unknown"
-    """PNG-маска костной ткани (90-й перцентиль яркости) в base64."""
+    return "full" if completeness.get("valid") else "partial"
-    ds = pydicom.dcmread(io.BytesIO(dcm_bytes))
-    img = ds.pixel_array.astype(np.float32)
-    if img.ndim == 3:
-        img = img.mean(axis=0) if img.shape[0] > 1 else img[0]
-    norm = (img - img.min()) / (img.max() - img.min() + 1e-8)
-    mask = (norm > np.percentile(norm, 90)).astype(np.uint8) * 255
-
-    buffer = io.BytesIO()
-    Image.fromarray(mask).save(buffer, format="PNG")
-    return base64.b64encode(buffer.getvalue()).decode("utf-8")
-
-
-def _build_reasons(prediction) -> list:
-    """Пояснения к решению в форме, принятой в методике оценки качества."""
-    if prediction.quality_class == 0:
-        return [
-            f"Область ({prediction.anatomical_region}) видна достаточно полно.",
-            "Значимых артефактов и выраженного размытия не выявлено.",
-        ]
-    reasons = [
-        f"Выявлено нарушение: {REASON_BY_TYPE.get(prediction.violation_type, 'нарушение качества')}.",
-        f"Область исследования: {prediction.anatomical_region}.",
-        "Требуется ручная проверка перед дальнейшим анализом.",
-    ]
-    return reasons
 
 
 @app.post("/api/v1/batch")