AI рекомендательные системы для диагностики заболеваний (COVID-19)
Исследовательский инструмент для разметки DICOM-изображений лёгких: расцвечивание по градациям серого, работа с сегментами и метаданными, подготовка количественного описания для специалиста.

Задача
В проекте по COVID-19 исследовалась связь между расцвеченными областями медицинского изображения и реальной областью патологии. Цель состояла в поддержке быстрой разметки: установить, какие сегменты градаций серого соответствуют клинически значимым изменениям.
Это исследовательская постановка. Выделение участка по яркости нужно сопоставлять с медицинской интерпретацией, а совпадение цвета с областью изменения само по себе ещё не доказывает диагноз.
Решение
Подготовлен модуль разметки в виде веб-приложения. Он предназначен для работы с DICOM-изображениями и их атрибутами. Изображение и связанные метаданные используются в одном процессе разметки. Математический алгоритм расцвечивает области серого, чтобы сделать выделяемые сегменты удобными для просмотра и проверки.
Обработка учитывает различную глубину представления изображения: от 256 до 65 536 градаций серого. В составе технологического контура указаны DICOM-вьюеры и PACS. Важно сохранить связь между исходным исследованием, разметкой и метаданными, с которыми работает специалист.
Что получает специалист
Вывод может содержать объёмы областей, обозначенных как матовое стекло, консолидация и плевральный выпот, а также отношение поражённой области к полному объёму лёгких. Такой формат связывает визуальную разметку с количественным описанием конкретного исследования.
Приведённый пример показывает структуру результата. Он не определяет клиническую точность алгоритма и не подтверждает самостоятельную диагностику COVID-19. Медицинская интерпретация и проверка выделенных областей остаются за врачом.
Этот опыт полезен для подготовки инструментов разметки лучевых исследований и относится к направлению Z-med.
Похожие кейсы
Машинное зрение
Разбор технических чертежей: 3,2 секунды на чертёж и точность 97%
Система извлекает параметры из PDF-чертежа, подсвечивает найденные значения и отдаёт их в CSV. В опубликованном примере: 3,2 секунды на чертёж и 97% точности извлечения.
Машинное зрение
Машинное зрение + LLM на промышленном объекте: выявлены хищения в пилоте
Пилот цифрового аудита на энергетическом объекте связывает камеры с проверкой транспорта, грузов и строительных работ. Выявлены четыре несанкционированных вывоза; материалы используются для отчёта службы безопасности.
Машинное зрение
Разработка модели по распознаванию и выделению контентной части документа
Система размечает однотипные документы, распознаёт их тип и заполняет электронную форму. В результатах разработки отдельно оценены поиск текста, OCR, классификация и распознавание содержимого.