Digital Imaging and Communications in Medicine — стандарт хранения и передачи медицинских изображений DXA / ДРА Двухэнергетическая рентгеновская абсорбциометрия (денситометрия) ИИ Искусственный интеллект ROI Region of Interest — область интереса, используемая для измерений MVP Минимально жизнеспособный продукт AUC Площадь под ROC-кривой 1. Контекст и актуальность задачи Денситометрия является основным инструментальным методом количественной оценки минеральной плотности костной ткани и широко применяется для диагностики остеопороза, оценки риска переломов и динамического наблюдения пациентов. Достоверность результата зависит не только от работы оборудования, но и от правильности укладки пациента, выбора исследуемой области, отсутствия значимых артефактов и корректности разметки анатомических структур. Ошибки позиционирования и разметки могут приводить к искажению измеряемых показателей, ошибочной интерпретации динамики и необходимости повторного анализа или повторного исследования. При этом контроль качества обычно выполняется специалистом вручную и требует знания критериев корректности для разных анатомических областей. Применение алгоритмов компьютерного зрения позволяет объективизировать и стандартизировать контроль качества, автоматически выявлять типовые нарушения и своевременно сообщать специалисту о необходимости коррекции разметки или повторной обработки исследования. Такое решение потенциально снижает нагрузку на врача- рентгенолога и рентгенолаборанта, повышает воспроизводимость измерений и формирует единый подход к контролю качества денситометрии в медицинских организациях. Участникам предлагается создать интеллектуальный сервис, который не просто распознаёт изображение, а выступает цифровым помощником по контролю качества: проверяет, можно ли использовать исследование для клинической интерпретации, оценивает корректность нанесённых областей измерения и объясняет, какое именно нарушение обнаружено. 2. Описание задачи Разработать программное обеспечение на основе искусственного интеллекта для автоматизированной оценки качества рентгеновских денситометрических исследований и корректности разметки анатомических структур. На вход сервис получает денситометрическое исследование в формате DICOM. Решение должно определить, соответствует ли изображение установленным критериям качества, корректно ли выполнена разметка, а при наличии нарушения — определить его тип. Основная задача — обеспечить автоматизированный контроль качества без необходимости первичного ручного просмотра каждого исследования специалистом. 2.1. Объекты анализа В базовый контур задачи рекомендуется включить денситометрические исследования следующих анатомических областей: • поясничный отдел позвоночника; • проксимальный отдел бедренной кости. Допускается разработка единой модели для всех областей либо отдельных специализированных моделей с автоматическим определением области исследования. 2.2. Основной функционал • определение анатомической области и проекции исследования; • классификация исследования как качественного или содержащего нарушение качества; • оценка корректности укладки и позиционирования пациента по стандартным критериям; • оценка корректности разметки анатомических структур и областей измерения; • определение одного или нескольких типов нарушения качества; • формирование структурированного отчёта с результатами работы. 2.3. Перечень оцениваемых нарушений От решения требуется рассматривать следующие категории: 1. Поясничный отдел позвоночника • корректная укладка (на нижнем уровне сканирования визуализированы верхние края подвздошных костей, верхний уровень — половина тела позвонка Th12) 2.4. Входные данные • Исследования в формате DICOM без разметки. • Одно исследование может включать одно или несколько изображений/серий (не более 3). • Метаданные DICOM могут использоваться моделью, однако решение не должно зависеть от наличия персональных данных. • Организатор предоставляет обезличенные изображения и часть исследований с экспертной разметкой. 3 см и более 2 см и более 3 см 2.5. Требования к выходным данным Решение должно формировать итоговый файл в формате .xlsx или .csv. Одна строка соответствует одному изображению (одна анатомическая область) в исследовании. Рекомендуемая структура: Название колонки Описание Формат path_to_study Путь к исследованию или файлу String study_uid Идентификатор исследования из DICOM-тегов String image_uid Идентификатор изображения из DICOM-тегов String anatomical_region Определённая анатомическая область String quality_class 0 — качественное, 1 — есть нарушение Integer violation_type Тип или перечень нарушений String processing_status Success / Failure String time_of_processing Время обработки в секундах Float 2.6. Дополнительный функционал • Дополнительная серия с визуализацией обнаруженного нарушения на изображении: маска, контур, ключевые точки или тепловая карта. • Текстовое описание выявленных нарушений в формате DICOM SR. • Автоматическая коррекция разметки с возможностью подтверждения специалистом. • Интерактивный веб-интерфейс для загрузки, просмотра и пакетной обработки исследований. 2.7. Технические требования • Время обработки одного исследования: не более 3 минут на целевой конфигурации. • Отсутствие необработанных исключений; все ошибки фиксируются в отчёте. • Воспроизводимость результатов при повторном запуске на одинаковых данных. • Возможность пакетной обработки исследований из архива с предоставлением общей таблицы (xlsx/csv) в качестве результата обработки, а также zip-архива с дополнительными сериями (при наличии функционала) 3. Программно-аппаратные требования 3.1. Аппаратные требования Специальные аппаратные ограничения не предъявляются при условии выполнения функциональных и нефункциональных требований. Участник должен указать минимальную и рекомендуемую конфигурацию для инференса: объём оперативной памяти, требования к процессору и графическому ускорителю, объём дискового пространства. Конфигурация оборудования, на котором будет проводиться финальное тестирование: 2 × H200 141 GB, каждая H200 в своей виртуальной машине c флейвором GPU-44-256-H200-1 (44 CPU, 256 RAM, 141 VRAM). 3.2. Программные требования • Выбор языка программирования, библиотек машинного обучения и архитектуры решения остаётся на усмотрение участников. • Обязательна контейнеризация решения. • Участники должны предоставить скрипт для сборки и запуска контейнеризированного приложения в Linux и UNIX-подобных системах. • Решение должно запускаться локально без обращения к внешним закрытым сервисам и без передачи медицинских изображений во внешние системы. • Должен быть реализован API для пакетной обработки тестового набора данных. • Все используемые зависимости, включая версии библиотек, сред выполнения и базового контейнера, должны быть зафиксированы. 4. Требования к презентации/демонстрации Презентация должна показать не только итоговые метрики, но и логику клинического контроля качества. Команде необходимо продемонстрировать: • описание и обоснование выбранного подхода; • архитектуру модели и программного решения; • состав наборов данных, правила разбиения выборки и методы предобработки; • таксономию нарушений качества и подход к исследованиям с несколькими нарушениями; • результаты экспериментов, сравнение вариантов модели и анализ ошибок; • метрики качества с доверительными интервалами; • скорость обработки и системные требования; • ограничения решения и сценарий дальнейшего внедрения; • кейсы, демонстрирующие работу решения. • описание структуры проекта; • системные требования и перечень зависимостей; • инструкцию по сборке и запуску контейнеризированного приложения; • описание реализованного API; • описание формата входных и выходных данных; • описание модели, предобработки и постобработки; • перечень известных ошибок и способы их обработки. Дополнительно предоставляются руководство пользователя, руководство по развёртыванию и краткое описание процедуры обучения или дообучения модели. 6. Ресурсы • Обезличенные медицинские изображения денситометрии в формате DICOM с экспертной оценкой качества (НД_для_обучения.zip). • Описание критериев качества и примеры корректной разметки — можно детальнее изучить в методических рекомендациях в разделах 2.6, 2.7. • Фрагмент данных для проверки формата и отладки загрузчика (Для теста.zip). • Закрытый тестовый набор для финальной оценки, не передаваемый участникам. 7. Требования к сдаче решений 7.1. Требования для промежуточной сдачи решения Промежуточная сдача предусматривает предоставление MVP, включающего: • обученную модель и скрипт инференса; • модуль чтения DICOM и пакетной обработки; • определение как минимум бинарного класса «качественное / есть нарушение»; • оценку корректности разметки для как минимум одной анатомической области; • файл с результатами в согласованном формате; • расчёт основных метрик на валидационной выборке; • краткая инструкция по работе с моделью; • описание текущих ограничений и план доработки • поддержку всех обязательных анатомических областей и классов нарушений, утверждённых организатором; • скрипт для сборки и запуска контейнеризированного приложения; инструкция по запуску скрипта в Linux и Unix-подобных системах; • устойчивую пакетную обработку закрытого тестового набора; • структурированный файл результатов; • полный комплект документации; • презентацию и демонстрационный сценарий; • исходный код либо иной комплект материалов в объёме, установленном правилами конкурса. Финальная проверка проводится экспертами на закрытых данных без участия команды. Расчёт итоговых метрик выполняется на стороне организатора. 8. Критерии оценки 8.1. Подход коллектива к решению задачи Оцениваются понимание клинической задачи, обоснованность таксономии нарушений, подход к формированию обучающей выборки, работа с дисбалансом классов и предотвращение утечки данных между обучающей и тестовой выборками. 8.2. Техническая проработка решения Оцениваются архитектура модели, качество предобработки DICOM, корректность работы с изображениями, устойчивость программной реализации, обработка ошибок, контейнеризация, воспроизводимость работы. 8.3. Соответствие решения поставленной задаче Оцениваются полнота выполнения обязательных функций, соответствие форматов входных и выходных данных, поддержка заявленных анатомических областей, прозрачность ограничений и пригодность решения для локального использования • сбалансированная точность и F1-мера; • ROC AUC и/или PR AUC для бинарной классификации; • macro-F1 для многоклассового или мультилейбл-определения типов нарушений; • метрики локализации или сегментации — Dice, IoU, расстояние между ключевыми точками — при наличии соответствующего функционала; • время обработки одного исследования и доля успешно обработанных файлов. Приоритетной клинической характеристикой являются F1-мера и ROC-AUC, как сбалансированные метрики работы решения. Метрики диагностической точности желательно представлять с 95% доверительными интервалами. 8.5. Выступление коллектива на питч-сессии Оцениваются владение материалом, способность объяснить клиническую и техническую логику решения, качество демонстрации, аргументированность выбранных подходов, понимание ограничений и реалистичность плана пилотирования и внедрения