🦴 Bone Quality Assessment

📋 Описание

Сервис искусственного интеллекта для автоматизированной оценки качества денситометрических изображений и их разметки. Система получает на вход рентгеновское денситометрическое исследование в формате DICOM, и оценивает качество выполнения исследования по стандартным критериям, а также корректность разметки анатомических структур на изображениях.

Основные возможности

• 🖼️ Анализ изображений — загрузка и обработка медицинских изображений
• 🧠 Сегментация объектов — выделение анатомических структур (позвонки, кости)
• 📊 Оценка качества — проверка по 3 критериям:
  • Артефакты (движение, шум, размытость)
  • Позиционирование (правильное расположение объекта)
  • Контрастность (качество изображения)
• 🔍 Детекция нарушений — определение типа нарушения для некачественных исследований
• 🌐 Web-интерфейс — удобная загрузка и визуализация результатов
• 📡 REST API — интеграция с внешними системами
• 📈 Визуализация маски — отображение сегментации на изображении

🏗️ Архитектура

🎯 Доступные режимы

DXA Режим (хакатон)

Анализ денситометрических исследований:

# Обучение
python src/dxa/train.py --epochs 10

# Инференс
python src/dxa/inference.py --input-path dataset_hack/Для\ теста --output-path results.xlsx

🚀 Быстрый старт

Требования

• Python 3.10+
• PyTorch 2.1+
• Docker (опционально)

Локальная установка

# 1. Клонирование репозитория
git clone https://github.com/yourusername/bone-quality-assessment.git
cd bone-quality-assessment

# 2. Создание виртуального окружения
python -m venv venv
source venv/bin/activate  # Linux/Mac
# или
venv\Scripts\activate  # Windows

# 3. Установка зависимостей
pip install -r requirements.txt

# 4. Загрузка обученной модели (опционально)
# Поместите модель в папку models/dxa_model.pth

# 5. Запуск сервера
python run.py

Docker

# 1. Сборка образа
docker build -t bone-quality-api .

# 2. Запуск контейнера
docker run -p 8000:8000 bone-quality-api

# 3. Или используя docker-compose
docker-compose up -d

📡 API Endpoints

Метод	Эндпоинт	Описание
GET	/	Главная страница
GET	/docs	Swagger UI документация
GET	/redoc	ReDoc документация
GET	/api/v1/health	Проверка статуса сервиса
POST	/api/v1/analyze	Анализ изображения

Пример запроса

curl -X POST "http://localhost:8000/api/v1/analyze" \
  -H "accept: application/json" \
  -H "Content-Type: multipart/form-data" \
  -F "file=@/path/to/image.jpg"

Пример ответа

{
  "overall_quality": "GOOD",
  "severity": "LOW",
  "issues": [],
  "confidence": 0.9,
  "metrics": {
    "artifact": {
      "artifact": false,
      "num_objects": 1,
      "edge_energy": 0.234,
      "object_size": 0.123
    },
    "position": {
      "position": [0.45, 0.52],
      "valid": true,
      "deviation": 0.032
    },
    "contrast": {
      "valid": true,
      "contrast": 0.456
    }
  },
  "mask": "base64_encoded_mask_image"
}

📊 Интерфейс Веб-интерфейс доступен по адресу http://localhost:8000/:

• 📤 Drag-and-drop загрузка изображений
• 🔍 Автоматический анализ
• 🎯 Визуализация маски сегментации
• 📈 Детальные метрики качества
• 🏷️ Подробный отчет о нарушениях

🛠️ Технологии

Компонент	Технология
Бэкенд	Python 3.10, FastAPI, Uvicorn
ML	PyTorch, NumPy, SciPy
Обработка изображений	PIL, OpenCV
Визуализация	HTML5, CSS3, Canvas API
Контейнеризация	Docker, Docker Compose
Документация	Swagger UI, ReDoc

📁 Структура проекта

bone_2026/
├── src/
│   ├── dxa/                   # DXA Quality модуль
│   │   ├── model.py          # ResNet18 классификатор
│   │   ├── dataset.py        # Загрузчик данных
│   │   ├── train.py          # Обучение
│   │   └── inference.py      # Инференс
│   ├── api/                   # REST API
│   ├── quality/               # Оценка качества
│   └── main.py                # FastAPI приложение
├── models/
│   └── dxa_model.pth         # Обученная модель
├── dataset_hack/              # DICOM датасет
├── Dockerfile
├── requirements.txt
├── run.sh
└── README.md

🧪 Тестирование

# Запуск тестов (если есть)
pytest tests/

Проверка API

curl http://localhost:8000/api/v1/health

📊 Метрики качества

Артефакты

Описание: Обнаружение шума, размытости, фрагментации

Проверка:

• Энергия границ (edge_energy)
• Количество объектов (num_objects)
• Размер объекта (object_size)

Позиционирование

Описание: Проверка правильности расположения объекта

Проверка:

• Центр масс объекта
• Отклонение от центра изображения
• Минимальный размер объекта

Контраст

Описание: Оценка качества изображения

Проверка:

• Контраст внутри объекта
• Отношение средних (объект/фон)
• Интенсивность пикселей

🚀 Деплой

На сервер

# Копирование на сервер
scp -r ./bone-quality-assessment user@server:/var/www/

Запуск в фоновом режиме

nohup python run.py > logs/out.log 2>&1 &

Использование с Nginx

location /api/ {
    proxy_pass http://localhost:8000;
    proxy_set_header Host $host;
    proxy_set_header X-Real-IP $remote_addr;
}

🤝 Вклад в проект

• Fork репозитория
• Создайте ветку для вашей фичи (git checkout -b feature/amazing-feature)
• Commit изменений (git commit -m 'Add amazing feature')
• Push в ветку (git push origin feature/amazing-feature)
• Откройте Pull Request

📄 Лицензия

MIT License

👥 Команда Грачев Денис — Разработка - GitHub

🙏 Благодарности

Oxford-IIIT Pet Dataset для обучения модели

Сообществу PyTorch и FastAPI

📞 Контакты

• 📧 Email: your.email@example.com
• 🐦 Telegram: @oxydencher
• 🐙 GitHub: gdg6

_{Built with ❤️ for the Bone Quality Assessment Hackathon}