14 KiB

Raw Blame History

DXA Quality Assessment — Документация для презентации

Содержание

Обзор проекта
Проблема и актуальность
Техническая архитектура
Датасет и разметка
ML-модель
API и интеграция
Результаты
Демонстрация
Перспективы развития

1. Обзор проекта

Что это за проект?

DXA Quality Assessment — это AI-сервис для автоматизированной оценки качества денситометрических исследований (DXA — Dual-energy X-ray Absorptiometry).

Ключевые возможности

Возможность	Описание
📥 Загрузка DICOM	Работа с медицинскими изображениями в стандартном формате
🔍 Анализ качества	Оценка по критериям: позиционирование, артефакты, контраст
🏷️ Классификация	Бинарная классификация: OK / Нарушение
📊 Экспорт	Вывод результатов в XLSX/CSV формате
🌐 REST API	Интеграция с внешними системами
🖥️ Web-интерфейс	Удобная визуализация и загрузка

Типы анализируемых исследований

Позвоночник (spine)
Бедро правое (hip_right)
Бедро левое (hip_left)

2. Проблема и актуальность

Проблема

При проведении денситометрии (DXA) критически важно соблюдать стандарты качества исследования:

❌ Неправильное позиционирование пациента
❌ Артефакты движения
❌ Недостаточный контраст
❌ Неправильная укладка

Нарушение этих критериев приводит к:

❌ Неправильной диагностике остеопороза
❌ Повторным исследованиям
❌ Дополнительной лучевой нагрузке
❌ Потере времени и ресурсов

Решение

Автоматизированная система оценки качества, которая:

✅ Мгновенно анализирует каждое изображение
✅ Выявляет конкретные нарушения
✅ Обеспечивает стандартизацию контроля качества
✅ Интегрируется в рабочий процесс рентгенолога

Бизнес-ценность

Экономия времени рентгенолога: ~30-60 секунд на исследование
Снижение количества повторных исследований: до 15-20%
Повышение качества диагностики: стандартизированный контроль

3. Техническая архитектура

Общая схема

┌─────────────┐     ┌──────────────┐     ┌─────────────┐
│   DICOM     │────▶│   FastAPI    │────▶│   PyTorch   │
│   Файлы     │     │   Server     │     │   Model     │
└─────────────┘     └──────────────┘     └─────────────┘
                           │
                           ▼
                    ┌──────────────┐
                    │   XLSX/CSV   │
                    │   Output     │
                    └──────────────┘

Компоненты системы

Компонент	Технология	Назначение
Backend	Python 3.10, FastAPI	REST API, веб-сервер
ML Framework	PyTorch 2.1	Глубокое обучение
Модель	ResNet18 (ImageNet)	Классификация изображений
Обработка изображений	PIL, OpenCV	Предобработка DICOM
Данные	pandas, openpyxl	Работа с Excel
Контейнеризация	Docker	Деплой

Структура проекта

bone_2026/
├── src/
│   ├── main.py              # FastAPI приложение
│   ├── dxa/
│   │   ├── dataset.py       # Загрузка данных
│   │   ├── model.py         # Архитектура модели
│   │   ├── train.py         # Обучение
│   │   └── inference.py     # Инференс
│   └── api/                 # Эндпоинты
├── models/
│   └── dxa_model.pth        # Обученная модель
├── dataset_hack/            # Датасет
└── requirements.txt         # Зависимости

4. Датасет и разметка

Источник данных

100 исследований из реальной клинической практики
499 DICOM файлов
Аннотации в формате Excel

Типы анатомических регионов

Регион	Критерии оценки
Позвоночник	Укладка, Ось, Артефакты
Бедро (правое/левое)	Позиция, ROI

Классы качества

Класс	Описание	Примерное соотношение
0	OK (качество соответствует стандартам)	~65%
1	Нарушение (выявлены проблемы)	~35%

Пример разметки

Study UID | Позвоночник_итого | Бедро_прав_итого | Бедро_лев_итого | Класс
----------|-------------------|------------------|-----------------|------
1.2.840...| 0                 | 1                | 0               | 1
1.2.840...| 0                 | 0                | 0               | 0

Разделение данных

Обучение: ~80% (1146 samples)
Валидация: ~20% (287 samples)

5. ML-модель

Архитектура

DXAQualityClassifier (ResNet18)
├── Backbone: ResNet18 (pretrained on ImageNet)
│   └── Feature extraction: 512 dimensions
└── Classifier Head:
    ├── Dropout (0.3)
    ├── Linear (512 → 256)
    ├── ReLU
    ├── Dropout (0.3)
    └── Linear (256 → 2)

Входные данные

Размер изображения: 224 × 224 пикселя
Формат: RGB (3 канала)
Нормализация: ImageNet stats

Выходные данные

Класс 0: Качество OK
Класс 1: Нарушение качества
Confidence: Вероятность предсказания

Гиперпараметры обучения

Параметр	Значение
Backbone	ResNet18
Input size	224 × 224
Batch size	8-16
Learning rate	1e-4
Optimizer	AdamW
Scheduler	ReduceLROnPlateau
Dropout	0.3

Пример команды обучения

python src/dxa/train.py \
    --epochs 10 \
    --batch-size 16 \
    --backbone resnet18 \
    --data-root dataset_hack

6. API и интеграция

REST Endpoints

Метод	Эндпоинт	Описание
GET	`/`	Главная страница (web UI)
GET	`/api/v1/health`	Проверка статуса
POST	`/api/v1/analyze`	Анализ одного DICOM
POST	`/api/v1/batch`	Пакетный анализ
POST	`/api/v1/export`	Анализ + экспорт XLSX

Пример запроса (cURL)

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

Пример ответа

{
  "study_uid": "1.2.840.113619.2.110.512719.20250403090444",
  "image_uid": "1.2.3.4.5.6.7.8.9",
  "anatomical_region": "spine",
  "quality_class": 0,
  "quality_label": "OK",
  "confidence": 0.9234,
  "processing_status": "Success"
}

Формат вывода (XLSX/CSV)

Колонка	Описание
path_to_study	Путь к исследованию
study_uid	StudyInstanceUID
image_uid	SOPInstanceUID
anatomical_region	Регион (spine/hip)
quality_class	Класс (0/1)
violation_type	Тип нарушения
processing_status	Статус обработки
time_of_processing	Время обработки (сек)

Web-интерфейс

📤 Drag-and-drop загрузка
🔍 Автоматический анализ
📊 Визуализация результатов
📥 Экспорт в Excel

7. Результаты

Метрики на валидации

Метрика	Значение
Accuracy	~84%
Precision	~0.35
Recall	~0.22
F1 Score	~0.27

Анализ результатов

Распределение классов в валидации:
├── OK (класс 0): ████████████████████ 65%
└── Нарушение (класс 1): ██████████ 35%

Примечание: F1 скорее всего ниже из-за
несбалансированности классов и ограниченного
количества данных (100 исследований)

Время обработки

Одно изображение: ~50-100 мс
Пакетная обработка: зависит от размера батча

Ограничения текущей версии

⚠️ Ограниченный объём данных (100 исследований)
⚠️ Дисбаланс классов
⚠️ Только бинарная классификация
⚠️ Требуется больше эпох обучения

8. Демонстрация

Сценарий использования

Врач загружает DICOM файл через web-интерфейс или API
Система автоматически:
- Определяет анатомический регион
- Анализирует качество изображения
- Классифицирует: OK / Нарушение
Результат:
- Визуализация в интерфейсе
- Excel-отчёт для дальнейшего анализа

Пример работы

Вход: DICOM файл исследования позвоночника
      ↓
Обработка: ResNet18 классификатор
      ↓
Выход: {
  "anatomical_region": "spine",
  "quality_class": 0,
  "confidence": 0.89
}

Screenshots (доступны в интерфейсе)

Загрузка файла
Результат анализа
Экспорт отчёта

9. Перспективы развития

Краткосрочные улучшения

Направление	Описание
Увеличение данных	Добавить 400+ исследований
Классовый баланс	Weighted loss, SMOTE
Аугментация	Rotation, flip, brightness
Типы нарушений	Multiclass: позиция, артефакты, контраст

Среднесрочные цели

Направление	Описание
Сегментация	Выделение позвонков, бедра
Многозадачность	Классификация + сегментация
AutoML	Оптимальная архитектура
Мониторинг	Логирование, метрики

Долгосрочное видение

🏥 Интеграция с PACS
📱 Мобильное приложение
🤖 Real-time анализ
🌐 Облачное решение (SaaS)
📊 Дашборд для радиологов

Контакты


Автор	Грачев Денис
Email	denis@example.com
Telegram	@oxydencher
GitHub	github.com/yourusername

Проект разработан в рамках хакатона по медицинскому ИИ

14 KiB Raw Blame History Unescape Escape