20 KiB

Raw Blame History

Аналитический документ: DXA Quality Assessment System

Содержание

Обзор системы
Архитектура
Компоненты системы
Пайплайн обработки
API Endpoints
Модели и алгоритмы
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

# 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:

# 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:

Пороговая бинаризация (95 перцентиль)
Вычисление bounding box яркой области
Соотношение сторон bbox:
- < 1.5 → spine (более квадратная область)
- ≥ 1.5 → hip (вытянутая область)
Для hip: определение левого/правого по асимметрии яркости

Пайплайн обработки

Основной пайплайн

@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

@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)

{
  "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

@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

@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)

@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

@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

@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

Сегментация — простая пороговая обработка, требует замены на Deep Learning (UNet/TotalSegmentator)
Модель — бинарная классификация, нужно расширение до многоклассовой для типов нарушений
Dataset — ~100 исследований, требуется расширение до 500+
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

20 KiB Raw Blame History Unescape Escape