Личный кабинет ортодонта
Веб-приложение для автоматизации разметки КТ-снимков для стоматологии на основе модели машинного обучения
Веб-приложение для автоматизации разметки КТ-снимков для стоматологии на основе модели машинного обучения
Разработка веб-приложения для сети стоматологии, которое позволяет автоматизировать процесс разметки КТ-снимков. Для этого была создана модель машинного обучения, разработан вьюер и интегрирован в архитектуру веб-приложения.
Рентгенодиагностический центр, занимающийся современными методами исследований челюстно-лицевой области, в том числе с применением конусно-лучевой компьютерной томографии.
На сегодняшний день сеть организации насчитывает 7 центров на территории Москвы и МО.
В штате работают специалисты разных профилей:
Все центры оснащены по последнему слову техники и обладают высокой степенью цифровизации, что позволяет проводить диагностику быстро и качественно.
К нам обратился специалист центра с запросом на создание ПО для разметки челюстей на 2D и 3D-снимках. Процесс ручной разметки занимает у врача, в среднем, 40 ‒ 60 минут на одного пациента. С наплывом пациентов у заказчика возникла потребность в автоматизации процесса для облегчения работы врачей и повышения удовлетворенности клиентов центра.
Разработать информационную систему по обработке DICOM-изображений, способную автоматизировать процесс разметки челюстей (черепа):
Условно весь проект можно разделить на следующие этапы:
На реализацию проекта от момента постановки ТЗ и до сдачи работ было отведено 6 месяцев.
В ходе работ выяснилось, что готовый вьюер невозможно интегрировать в разработанное нами веб-приложение, его возможностей не хватало для решения поставленных задач.
Это означало, что, помимо заявленных этапов, необходимо было разработать собственный вьюер. Нам пришлось срочно подключать штатных разработчиков, обладающих компетенциями по работе с 2D и 3D-изображениями, чтобы уложиться в срок.
Также в ходе проекта мы столкнулись с недостаточным количеством снимков для обучения нейросети, благодаря чему точность предиктивной разметки изначально была ниже ожидаемой.
Однако этот недостаток компенсируется постоянным обучением нейросети за счет того, что снимки со скорректированной врачом разметкой попадают обратно в ML-часть.
Радует, что удалось в кратчайшие сроки подключиться к проекту и, благодаря грамотно спроектированному решению, внести свой вклад в разработку. Смог применить накопленный специфичный опыт с других проектов.
Кроме того, избранный темп разработки позволил выйти на новые ступени изобретательности, открыв тем самым дорогу к креативным подходам и сократив времязатраты более чем в 4 раза (в сравнении с аналогичными задачами на другом проекте).
Свяжитесь с нами по почте request@codeinside.ru и мы поможем вам реализовать проект. Ознакомиться с другими выполненными проектами по ссылке.
▪ Java
▪ PostgreSQL
▪ Amazon S3
▪ Samba
▪ Kafka
▪ Docker
▪ Spring Boot
▪ React.js
▪ Tensorflow
▪ NumPy
▪ SciPy
▪ Pydicom
▪ OpenCV
▪ Pillow
▪ CV-pipeliner
▪ Pixelmed
▪ Dcm4che
Решаем задачи бизнеса с помощью компьютерного зрения и машинного обучения
Создаем рабочие модели или прототипы умных устройств для вашего бизнеса
Как мы создаем и интегрируем экспертную техническую команду в проекты заказчика для стабильного развития долгосрочных проектов.
Оценка рабочих процессов заказчика и составление экспертного заключения.
Заполните форму,
и мы свяжемся с вами
в ближайшее время