презентация 1-1

1.

TICA-Med
ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА РЕНТГЕНОГРАММ
«Разработка программного модуля предварительной обработки
результатов компьютерного мониторинга»
АКСЕЛЕРАТОР «ИМПУЛЬС-LIFE» ПГУ · РЫНОК НТИ: ХЕЛСНЕТ / ТЕХНЕТ
Тематическое направление: Н1 – Средства интеллектуального анализа данных
Заявитель и лидер проекта: Корнаухова Ксения Петровна · ПГУ, ФИТЭ (гр. 23ПА1)
Презентация подготовлена по рекомендованной форме ПУТП · univertechpred.ru

2.

02
ПРОБЛЕМА (ПРОБЛЕМАТИКА)
ПРОЕКТ ПУТП · Н1 (УМНИК)
ЦЕЛЕВОЙ КЛИЕНТ И АКТУАЛЬНОСТЬ
Инфекционные заболевания органов дыхания (пневмония, туберкулёз) остаются одной из основных причин
смертности и осложнений во всём мире. Эффективность лечения напрямую зависит от своевременной диагностики
в клиниках и центрах лучевой диагностики.
ТЕХНИЧЕСКИЕ ПРОБЛЕМЫ
МЕДИЦИНСКИЕ ПРОБЛЕМЫ
Медицинские снимки содержат шумы, помехи и
артефакты различной природы.
В ряде регионов наблюдается дефицит
квалифицированных врачей-рентгенологов.
Снимки получены в условиях различной освещённости и
контрастности.
Ошибки диагностики увеличивают риск осложнений и
нагрузку на систему здравоохранения.
Нейросетевые модели теряют точность при работе с
неоднородными датасетами.
Требуется интеллектуальная система повышения
качества медицинских изображений.
МАСШТАБ ПРОБЛЕМЫ · рынок РФ
24,1 млн
85–89 %
до 15 %
профилактических ФЛГ и рентгенографий ОГК
в год в РФ (ЦНИИОИЗ Минздрава РФ)
точность стандартных CNN без адаптивной
предобработки на зашумленных снимках
доля диагностических расхождений при
анализе низкоконтрастных рентгенограмм
Значимость для страны: Разработка позволит повысить качество диагностики, снизить нагрузку на систему здравоохранения, повысить доступность диагностики в
регионах, развивать отечественные технологии медицинского ИИ.
02 / 11

3.

03
ПРЕДЛАГАЕМОЕ РЕШЕНИЕ
ПРОЕКТ ПУТП · Н1 (УМНИК)
СУТЬ ПРЕДЛАГАЕМОГО РЕШЕНИЯ
Адаптивная предобработка рентгенограмм: разработка программного модуля адаптивной предварительной обработки рентгенограмм, включающей в себя снижение
уровня шумов различной природы, удаление артефактов и повышение контрастности изображений.
Ускорение классификации состояний: возможность инициализации ядер, полученных на основе этапа предобработки, для ускорения классификации состояний.
Клиническая результативность: повышение точности диагностики инфекционных заболеваний органов дыхания (> 95 %).
ПАРАМЕТРЫ СРАВНЕНИЯ: СТАНДАРТНОЕ РЕШЕНИЕ →
ПРОДУКТ
Параметр сравнения
Стандартное решение
(классические CNN)
Предлагаемый продукт
(гибридная модель)
Повышение контрастирования и работа с
шумами
Базовая фильтрация
(линейное растяжение, Гаусс, медиана)
Адаптивное контрастирование (SVD) и удаление шумов
и артефактов (ICA)
Точность классификации
85–89 %
> 95 %
Интеграция обработки
Отдельный этап
Встроенная (автономный модуль)
Инициализация весов нейросети
Случайная / стандартный pre-train
Инициализация ядрами этапа предобработки
(ускорение сходимости)
ПРАКТИЧЕСКАЯ НОВИЗНА: программный модуль автономен и легко встраивается в архитектуру нейросетей, в том числе гибридных (CoAtNet).
Сценарии применения и эффект: автоматический скрининг рентгенограмм ОГК в медучреждениях, диагностических центрах и телемедицинских платформах; сокращение
времени описания снимка и снижение числа пропусков патологий.
03 / 11

4.

04
СРАВНЕНИЕ С АНАЛОГАМИ: ВИЗУАЛИЗАЦИЯ
ПРОЕКТ ПУТП · Н1 (УМНИК)
СТАНДАРТНЫЕ МЕТОДЫ
ПРЕДЛАГАЕМЫЙ ПОДХОД (SVD + ICA)
1. Контрастирование:
Основан на сингулярном разложении матриц (SVD)
Применение алгоритма оптимального жёсткого порога
Адаптивное SVD-контрастирование
Удаление шумов и артефактов с помощью алгоритма анализа независимых
компонент (ICA / TICA Filter)
• Линейное растяжение гистограммы
• Глобальная эквализация
гистограммы
2. Подавление шумов:
• Линейная фильтрация (фильтр
Гаусса)
▼ TICA (Noise = 20.06 dB)
▼ TICA (Noise = 31.67 dB)
▼ TICA (Noise = 22.64 dB)
• Нелинейная фильтрация
(медианный фильтр)
Недостаток стандартных методов: пересвет лёгочных полей или размытие
мелких очагов и границ сосудов.
04 / 11
Результат: чёткая детализация бронхососудистого рисунка и подавление шумов без потери
диагностической информации.

5.

05
ТЕХНОЛОГИЧЕСКОЕ ЯДРО И ДОСТИЖИМОСТЬ
РЕЗУЛЬТАТА
ПРОЕКТ ПУТП · Н1 (УМНИК)
ОБОСНОВАНИЕ ДОСТИЖИМОСТИ РЕЗУЛЬТАТА И ЯДРО ТЕХНОЛОГИИ
Фундаментальная математическая база: проект базируется на фундаментальных и актуальных исследованиях в области матричного анализа (SVD-разложения), концепции
слепого разделения сигналов и выявлении скрытых латентных зависимостей (ICA).
Репрезентативные открытые датасеты: использование крупных открытых датасетов NIH ChestX-ray (>112 тыс. снимков) и CheXpert (>224 тыс. снимков), которые позволяют
проводить обучение и тестирование моделей на репрезентативной выборке.
Экспериментальная проверка на моделях Kaggle: оценка эффективности предложенного метода предобработки проводилась путём сравнительного тестирования точности
классификации на базе моделей-победителей международных конкурсов платформы Kaggle. Эффективность таких моделей экспериментально доказана и признана мировым ITсообществом как базовые.
Инструментальная доступность: наличие доступа к Python, TensorFlow, библиотекам матричных вычислений и облачным средам.
КРИТИЧЕСКАЯ И СКВОЗНАЯ ТЕХНОЛОГИЯ: Тематическое направление ФСИ (УМНИК): Н1 – Средства интеллектуального анализа данных. Сквозная технология НТИ:
«Искусственный интеллект» (компьютерное зрение, интеллектуальная обработка медицинских изображений и сигналов).
СТЕК РАЗРАБОТКИ И АРХИТЕКТУРА
Ядро предобработки
Среда и фреймворки
Архитектура ИИ
Датасеты и валидация
SVD + ICA
Python · TensorFlow
Гибридная CoAtNet
ChestX-ray · Kaggle
Сингулярное разложение матриц,
оптимальный жёсткий порог и анализ
независимых компонент
Реализация встраиваемых модулей,
обучение и валидация нейросетевых
моделей
Свёртки + Self-Attention с
инициализацией ядрами, полученными
на этапе предобработки
Крупные выборки NIH ChestX-ray,
CheXpert и сравнительное тестирование
на базовых моделях Kaggle
05 / 11

6.

06
КОНКУРЕНТЫ И АНАЛОГИ
ПРОЕКТ ПУТП · Н1 (УМНИК)
СРАВНЕНИЕ ПО КЛЮЧЕВЫМ ХАРАКТЕРИСТИКАМ
Характеристика
Страна / Локализация
Повышение контраста и работа с шумами
Точность классификации
Интеграция обработки
Инициализация весов ядрами
предобработки
Автономность (встраивание в сторонние
нейросети)
Модель внедрения / Доступность
Предлагаемый модуль
(ПГУ)
Классические CNN
(Базовые)
Цельс (Celsus.AI)
Третье Мнение
Botkin.AI
(Интеллоджик)
Россия (100 %)
Мир (Open Source)
Россия (100 %)
Россия (100 %)
Россия (100 %)
Адаптивное SVD + ICA
фильтрация
Базовая фильтрация
(Гаусс/медиана)
Стандартная
нормализация
Базовая предобработка
Стандартная
нормализация
> 95 %
85–89 %
~91–93 %
~92–94 %
~90–93 %
Встроенная (в ядро сети)
Отдельный этап
Внешний пайплайн
Внешний пайплайн
Внешний пайплайн
✓
—
—
—
—
✓ (любые CNN /
гибридные)
—
— (закрытая система)
— (закрытая система)
— (закрытая система)
SDK-модуль / SaaS
(доступно)
Требует ручной
настройки
Монолитная
платформа
Монолитная
платформа
Монолитная
платформа
✓ есть ≈ частично — нет. Ключевое преимущество: в отличие от закрытых платформ («Цельс», «Третье Мнение»), разрабатываемый модуль автономен, легко встраивается в любые
гибридные нейросети и обеспечивает точность > 95 %.
06 / 11

7.

07
ПЕРСПЕКТИВЫ КОММЕРЦИАЛИЗАЦИИ И
РЫНОК
ПРОЕКТ ПУТП · Н1 (УМНИК)
РЫНОК МЕДИЦИНСКОГО ИИ (РФ): TAM → SAM → SOM
TAM · Прогноз РФ к 2030 г.
SAM · Лучевая диагностика ОГК
SOM · Целевая доля (3 года)
9,0 млрд руб.
1,9 млрд руб.
28,5 млн руб.
~8 500 клиник и центров РФ
~1 500 медучреждений и платформ
50+ B2B-клиентов и лицензий
Рост рынка мед. ИИ в 6 раз (текущий объём ~1,5–1,9
млрд руб./год)
Сегмент ИИ-обработки рентгенограмм и КТ/ФЛГ органов
дыхания
Внедрение модуля в диагностические центры, ИИплатформы и НИИ
ВОЗМОЖНЫЕ ВАРИАНТЫ МОНЕТИЗАЦИИ (B2B / SAAS / ЛИЦЕНЗИРОВАНИЕ)
ЛИЦЕНЗИРОВАНИЕ ПО (SDK)
SAAS-МОДЕЛЬ (ПОДПИСКА)
ВНЕДРЕНИЕ И СОПРОВОЖДЕНИЕ
от 180 тыс. ₽ / год
от 15 тыс. ₽ / мес
от 250 тыс. ₽
Передача неисключительных прав (B2B-лицензия)
разработчикам медицинского ПО и клиникам
Облачный API-сервис пакетной предобработки
рентгенограмм для диагностических центров
Интеграция в медицинские платформы, техническое
сопровождение и регулярные обновления
ДРАЙВЕРЫ РОСТА СПРОСА: мировой рынок искусственного интеллекта в здравоохранении демонстрирует устойчивый рост. Рост спроса обусловлен: цифровизацией
медицины; развитием телемедицины; необходимостью автоматизации диагностики; ростом количества медицинских изображений.
ВОСТРЕБОВАННОСТЬ (ЦЕЛЕВЫЕ ПОТРЕБИТЕЛИ): медицинскими учреждениями; диагностическими центрами; телемедицинскими платформами;
разработчиками медицинского программного обеспечения; научно-исследовательскими организациями.
07 / 11

8.

08
ПЛАН РЕАЛИЗАЦИИ ПРОЕКТА И РЕСУРСЫ
ПРОЕКТ ПУТП · Н1 (УМНИК)
ЭТАП 1 · ФОРМИРОВАНИЕ ДАННЫХ, АЛГОРИТМЫ SVD И ТЕСТИРОВАНИЕ
ШАГ 1.1 · НАБОР ДАННЫХ
ШАГ 1.2 · АЛГОРИТМЫ SVD И ICA
ШАГ 1.3 · ВЕРИФИКАЦИЯ НА МОДЕЛЯХ KAGGLE
Формирование и предобработка
репрезентативного набора данных
Приведение предложенного подхода к
предварительной обработке
Проведение экспериментов по
проверке эффективности
Сбор, очистка и интеграция рентгенограмм
органов грудной клетки из открытых
верифицированных источников (NIH ChestX-ray,
CheXpert) для обеспечения репрезентативной
обучающей и тестовой выборки.
Реализация метода предварительной обработки
на основе сингулярного разложения матриц
(Singular Value Decomposition, SVD) и анализа
независимых компонент (ICA) для решения двух
основных задач:
• снижение уровня артефактов и шумовых
компонент;
• повышение контрастности изображений.
Сравнительное тестирование разработанных
алгоритмов и методов предварительной
обработки на верифицированных базовых
моделях-победителях международных конкурсов
платформы Kaggle (оценка прироста точности
классификации и SNR).
ПЛАНИРУЕМЫЕ ЗАТРАТЫ И РЕСУРСЫ НА РЕАЛИЗАЦИЮ
Планируемые затраты: аренда облачных серверов, подписки на платформы веб-разработки и среды вычислений, фонд оплаты труда
исполнителей.
Ожидаемый результат 1-го этапа: экспериментально верифицированный на базовых моделях Kaggle программный модуль предварительной обработки рентгенограмм (SVD + ICA) и
сформированный репрезентативный набор данных (ChestX-ray).
08 / 11

9.

09
КОМАНДА ПРОЕКТА
ПРОЕКТ ПУТП · Н1 (УМНИК)
ЗАЯВИТЕЛЬ / ЛИДЕР ПРОЕКТА
РАЗРАБОТЧИК МОДУЛЯ / ML-ИНЖЕНЕР
Корнаухова Ксения Петровна
Елизаров Матвей Романович
Студент гр. 23ПА1, ФИТЭ ПГУ (каф. «АиТ»)
Студент гр. 23ПА1, ФИТЭ ПГУ (каф. «АиТ»)
Разработка алгоритмов адаптивного SVD-контрастирования и ICA-фильтрации
(TICA Filter), проведение вычислительных экспериментов, координация проекта.
Формирование и предобработка датасетов NIH ChestX-ray и CheXpert,
сравнительное тестирование алгоритмов на базовых моделях Kaggle (Python,
TensorFlow).
НАУЧНО-МЕТОДИЧЕСКАЯ БАЗА
АКСЕЛЕРАЦИЯ И ЭКСПЕРТИЗА
Кафедра «Автоматика и телемеханика»
Акселератор «Импульс-Life» ПГУ
Политехнический институт ПГУ, ФИТЭ
Платформа НТИ / Фонд содействия инновациям
Научная школа цифровой обработки сигналов и интеллектуального анализа
данных (направление 27.03.04): методология матричного анализа (SVD) и
разделения сигналов (ICA).
Трекерское и экспертное сопровождение проекта, проработка стратегии
коммерциализации на рынке Хелснет НТИ и подготовка заявки по направлению
Н1.
КОМПЕТЕНЦИИ КОМАНДЫ НА ВХОДЕ → НА ВЫХОДЕ: базовая подготовка по направлению 27.03.04 «Управление в технических системах» (ФИТЭ ПГУ), владение Python
и TensorFlow → разработан и экспериментально проверен на датасетах ChestX-ray и моделях Kaggle метод адаптивной SVD+ICA предобработки рентгенограмм.
09 / 11

10.

10
ПАРТНЁРЫ И ЭКОСИСТЕМА ПРОЕКТА
ПРОЕКТ ПУТП · Н1 (УМНИК)
ЗАДАЧА, ЛЁГШАЯ В ОСНОВУ ПРОЕКТА. Медицинские учреждения и разработчики систем компьютерного зрения сталкиваются с падением точности диагностики на
зашумленных и низкоконтрастных рентгенограммах ОГК. Запрос отрасли — автономный встраиваемый модуль предобработки, устраняющий шумы и артефакты без потери
диагностически значимых деталей.
ДЕЙСТВУЮЩИЙ
ДЕЙСТВУЮЩИЙ
ДЕЙСТВУЮЩИЙ
ПГУ (ФИТЭ, каф. «АиТ»)
Фонд содействия инновациям
Акселератор «Импульс-Life» ПГУ
Научно-техническая база
Грантовая поддержка
Акселерация и трекинг
Методология матричного анализа (SVD) и ICA;
вычислительные ресурсы и лаборатории
Программы «УМНИК» и «Студенческий стартап»
(направление Н1 — Интеллектуальный анализ
данных)
Платформа университетского технологического
предпринимательства; упаковка и экспертиза НТИ
ПЛАНИРУЕТСЯ
ПЛАНИРУЕТСЯ
ПЛАНИРУЕТСЯ
Медицинский институт ПГУ и клиники
Разработчики мед. ИИ (Цельс и др.)
Ассоциация SECON / Роспатент
Клиническая валидация
Технологическое партнёрство
Защита ИС и B2B-продвижение
Экспертная верификация обработанных
рентгенограмм врачами-рентгенологами; пилотное
внедрение
Встраивание автономного модуля предобработки в
промышленные пайплайны анализа снимков ОГК
Регистрация программы для ЭВМ в Роспатенте; выход
на IT-компании и интеграторов региона
10 / 11

11.

Спасибо за внимание!
«Разработка программного модуля предварительной
обработки результатов компьютерного мониторинга»
Заявитель и лидер проекта: Корнаухова Ксения Петровна — студент гр. 23ПА1, ФИТЭ ПГУ
Команда проекта: Елизаров Матвей Романович — студент гр. 23ПА1, ФИТЭ ПГУ (кафедра «Автоматика и телемеханика»)
Тематическое направление: Н1 – Средства интеллектуального анализа данных · Акселератор «Импульс-Life» ПГУ · Рынок НТИ: Хелснет
univertechpred.ru