В работе представлен новый метод визуального сопровождения процедуры транскатетерной имплантации аортального клапана (TAVR), основанный на многоуровневом подходе к детекции ключевых точек на рентгеновских изображениях. В отличие от традиционных подходов, авторы предлагают использовать групповую структуру ориентиров (анатомических, инструментальных и контурных), что позволяет учитывать взаимосвязь и совместное появление точек в процессе операции. Для реализации предложена многозадачная нейросетевая архитектура с единым экстрактором признаков и специализированными выходами, выполняющими классификацию видимости и регрессию координат точек каждой группы. В ходе экспериментов проведено сравнение различных базовых моделей (ResNet18, ResNet34, ResNet50, EfficientNet B7, VGG16), среди которых наилучшие показатели продемонстрировала модель на основе ResNet34, достигнув точности классификации (precision) 92,35%, полноты (recall) 96,02% и средней ошибки локализации 25,65 пикселей. Для обучения модели использовались специализированные функции потерь (Focal Loss и Wing Loss), адаптированные под особенности медицинских данных. Результаты подтверждают эффективность и стабильность предлагаемого подхода, открывая перспективы интеграции разработанного алгоритма в реальные клинические системы для повышения точности и безопасности проведения TAVR. Исходный код и материалы доступны в открытом доступе: https://github.com/kn-ru/TAVI/tree/regression.