bone_2026/docs/tasks_next_session.md

Задачи для следующей сессии

Сравнение текущей реализации с требованиями

✅ РЕАЛИЗОВАНО

Требование	Статус	Файл
Бинарная классификация OK/Нарушение	✅ Готово	src/dxa/model.py
Определение анатомической области	✅ Готово	src/dxa/inference.py
Экспорт в XLSX/CSV	✅ Готово	src/main.py /api/v1/export
API для пакетной обработки	✅ Готово	src/main.py /api/v1/batch
Docker контейнеризация	✅ Готово	Dockerfile
Web-интерфейс	✅ Готово	src/api/static/
Определение типа нарушения	✅ Частично	src/quality/detailed_assessment.py
Детальные метрики качества	✅ Готово	src/quality/detailed_assessment.py
Проверка движения (motion)	✅ Готово	detect_motion_blur()
Проверка артефактов	✅ Готово	detect_artifacts()
DICOM SR формат	✅ Готово	/api/v1/analyze/sr
Визуализация маски	✅ Готово	include_visualization=true

---

Мультимодельная архитектура

См. документацию: docs/multi_model_architecture.md

Pipeline:
1. Region Detector → 2. Segmentator → 3. Quality Classifier → 4. Violation Type → 5. Aggregator

Модели:

Модель	Назначение	Файл
Region Detector	Spine/Hip определение	src/models/region_detector.py
Segmentator	Сегментация костей	src/models/segmentation/
Quality Classifier	OK/Violation бинарный	src/models/classification/quality.py
Violation Classifier	Типы нарушений (7+)	src/models/classification/violation.py
Artifact Detector	Детекция артефактов	src/models/artifacts/detector.py
Grad-CAM	Heatmap внимания	src/models/visualization/gradcam.py

---

ПЛАН РЕАЛИЗАЦИИ

Фаза 1: Архитектура и модели (высокий приоритет)

1. Создать структуру моделей

   • src/models/ - директория для всех моделей
   • src/pipeline/ - основной пайплайн
   • src/training/ - скрипты обучения

2. Region Detector

   • Переиспользовать текущую логику из inference.py
   • Обучить классификатор на 4 класса

3. Segmentation Models

   • Spine Segmentator (U-Net)
   • Hip Segmentator (U-Net)

4. Quality Classifier (бинарный)

   • ResNet18 с attention
   • Weighted loss для балансировки

5. Violation Type Classifier (многоклассовый)

   • 7 классов для spine
   • 7 классов для hip
   • Multi-task learning

Фаза 2: Пайплайн и интеграция

6. Pipeline класс

   • Объединение всех моделей
   • Queue для асинхронной обработки

7. API интеграция

   • Обновить endpoints для использования пайплайна
   • Batch processing

Фаза 3: Визуализация и метрики

8. Grad-CAM Heatmap

   • Извлечение attention карт
   • Наложение на изображение

9. Метрики

   • ROC-AUC, PR-AUC
   • Macro-F1 с доверительными интервалами

---

Текущие ограничения

1. Модель обучена на бинарную классификацию - нужно переобучение
2. F1 ~0.27 - низкий из-за дисбаланса классов
3. Датасет ~100 исследований - нужно 500+
4. Сегментация использует простой threshold - нужно дообучить модель
5. Heatmap не реализовано - требует дообучения

---

ЗАПУСК ДЛЯ ТЕСТИРОВАНИЯ

cd /Users/denis/workspace/bone_2026
python -m uvicorn src.main:app --host 0.0.0.0 --port 8000

Открыть http://localhost:8000