Каталог решений
6
Стать партнером О нас Блог Контакты
Речевые технологии
Анализ данных
NLP
Чат-боты
Компьютерное зрение
Все решения
К сравнению
Celsus
Год основания: 2018
Страна происхождения: Россия
Направление: Компьютерное зрение
Отрасль: Здравоохранение
https://celsus.ai/

Celsus

Искусственный интеллект для анализа медицинских изображений в качестве системы поддержки принятия врачебных решений.
Заказать решение
К сравнению
Описание компании
Год основания: 2018
Страна происхождения: Россия
Направление: Компьютерное зрение
Отрасль: Здравоохранение
Характеристики
  • Компьютерное зрение
  • Анализ медицинских изображений
  • Система поддержки принятия врачебных решений
Дополнительная информация

Ссылка на API-документацию: По запросу

Контур решения: Cloud

Клиенты: Отделения лучевой диагностики города Москвы (Департамент здравоохранения города Москвы и Центр диагностики и телемедицины); в 13 регионах РФ запущены пилотные проекты.

Цена: ₽₽

Заказать решение
Кейсы

Анализ маммограмм и флюрограмм, Департамент здравоохранения города Москвы Решение: Цельс. Маммография – сервис для выявления онкологии на ранней стадии.Система анализирует маммограммы, детектирует и выделяет на изображении злокачественные и доброкачественные новообразования, кальцинаты, лимфоузлы, фиброзно-кистозную мастопатию, определяет плотность ткани молочной железы по ACR и присваивает исследованию категорию BI-RADS. Цельс. Флюорография – сервис для выявления заболеваний органов грудной клетки. Система анализирует флюорограммы на предмет наличия патологических изменений в соответствии с кодами 1-23 «Цифровых кодов описания флюорографии». Результат: Цельс успешно прошел этап проверки заявленной точности на реальных верифицироаанных данных и стал первым сервисом для анализа маммограмм и флюорограмм, допущенным к промышленной эксплуатации. Анализ маммограмм, ГБУЗ Тамбовский областной онкологический клинический диспансер Решение: Цельс. Маммография – сервис для выявления онкологии на ранней стадии. Система анализирует маммограммы, детектирует и выделяет на изображении злокачественные и доброкачественные новообразования, кальцинаты, лимфоузлы, фиброзно-кистозную мастопатию, определяет плотность ткани молочной железы по ACR и присваивает исследованию категорию BI-RADS. Результат: сервис сокращает время на исследование и постановку диагноза, минимизирует риски пропуска патологий. В ряде исследований сервис помог выявить патологии, незаметные для глаза рентгенолога.

Преимущества
  • Получен патент на изобретение, подана международная заявка по процедуре РСТ, зарегистрирован товарный знак.
  • Готовые решения в области маммографии и флюорографии.
  • Один продукт – максимум направлений. Наш подход в разработке позволяет развивать продукт в различных направлениях, в том числе не связанных с рентгенографией, минимизируя производственные затраты: Компьютерная томография, патоморфология и т.п.
  • Интеграция с медицинскими информационными системами и использование информации по пациентам при обучении моделей, эксплуатации.
  • Вариативность использования: Web, Desktop, API.
  • Локализация и кастомизация.
  • Использование собственных разработок.
  • Работа с любыми типами входных данных.
  • Быстрое внедрение и бесшовная интеграция.
  • Поддержка международных стандартов обмена медицинскими данными (DICOM, FHIR, HL7 и т.п.).
  • Только контролируемые данные для обучения. Разработана и внедрена система сбора, очистки данных, кросс-размета Data-set врачами-рентгенологами.
Технологии

Система Цельс представляет из себя сложный пайплайн, в основе которого лежит нейронная сеть-детектор: Входные данные Для обучения системы используется сборный датасет, включающий в себя публичные датасеты (например, DDSM и InBreast), собственную разметку из различных российских медицинских учреждений, а также псевдо-разметку большого числа неразмеченных снимков. Препроцессинг Снимки с различного оборудования и разных учреждений могут обладать достаточно непохожими статистическими свойствами, поэтому с целью приведения их к единому виду мы используем собственный препроцессинг-пайплайн. Он включает кроп релевантной части изображения, нормализация распределения пикселей, обогащение входного изображения дополнительными энкодингами и другие важные элементы. Детектор Для детектирования объектов на изображении используется собственная архитектура, в основе которой лежит известная архитектура Faster-RCNN. Для улучшения качества детектирования были внедрены многие важные компоненты – индивидуальные RPN для разных датасетов, механизм внимания на другую проекцию или слайсы, CoordConv, channel-wise attention, head decoupling и другие. Постпроцессинг Для вынесения финального вердикта о степени риска наличия заболевания, предсказания детектора агрегируются мета-моделью, которая учитывает не только локальную, но и глобальную информацию об исследовании. Финальная модель качественно сортирует пациентов по степени риска и может использоваться в системах триажа.