bone_2026/condition.txt

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