Прискорення аналізу калу на основі штучного інтелекту за допомогою високоточних анотацій медичних зображень
Дізнайтеся, як Shaip допомагає командам медичних працівників зі штучним інтелектом створювати моделі комп'ютерного зору для аналізу зображень калу, розумних туалетів та моніторингу здоров'я з точними анотаціями зображень
Огляд проекту
Побудова моделі штучного інтелекту для автоматичного аналізу калу вимагає більше, ніж просто збір зображень. Вона вимагає високоузгодженого, клінічно значущого маркування, яке точно фіксує форму калу, контекст раковини та атрибути рівня сцени.
Клієнт співпрацював із Shaip для анотування великомасштабного зображення, що містить зображення калу, отримані в реальних умовах використання туалетів. Проєкт вимагав багатошарової стратегії маркування, що поєднує анотування калу на основі полігонів, створення обмежувальної рамки раковини та маркування області інтересу на основі класифікації.
Кінцева мета — створити надійний навчальний набір даних, який би підтримував моделі комп'ютерного зору для виявлення калу, класифікації калу за системою Брістоль, розпізнавання контексту сечовипускання та майбутніх знань про здоров'я травної системи.
Основна статистика
Кінець Використання
Аналіз калу на основі штучного інтелекту для охорони здоров'я та гастроентерології
Обсяг даних
700,000+ зображень
Таксономія AOI
10 класифікаційних позначок
Хронологія проекту
Триває з листопада 2023 року
Виклики
- Забезпечення сегментації об'єктів калу з чіткими межами полігонів, незважаючи на різне освітлення, умови туалету та композицію зображення.
- Стандартизація маркування обмежувальних рамок басейну із застосуванням логіки на рівні візиту лише до першого дійсного зображення в кожному візиті.
- Керування робочим процесом маркування AOI для кількох класів, таких як кал, сеча, сечовипускання, промивання, туалетний папір та номер Брістоля.
- Підтримка узгодженості та пропускної здатності для дуже великого обсягу зображень, що перевищує 700 000 файлів.
- Підтримка випадків використання штучного інтелекту, орієнтованих на охорону здоров'я, де якість анотацій безпосередньо впливає на точність моделі в подальшому.
Рішення
Шайп розробив робочий процес анотації, орієнтований на залізницю, адаптований до технічних вимог проекту.
Стратегія даних
Визначив структуровану структуру анотацій, яка поєднує сегментацію, локалізацію об'єктів та класифікацію для підтримки кількох цілей моделі з єдиного конвеєра зображень.
Анотація щодо стільця
Анотував видимі екземпляри стільців за допомогою точних полігональних масок, щільно обводячи кожен елемент стільця, щоб зберегти деталізацію країв, форму та текстуру.
Обмежувальна рамка басейну
Позначення раковини унітазу здійснювалося за допомогою обмежувальної рамки, а не сегментації за рівнем води. Рамки раковини застосовувалися лише до першого зображення кожного відвідування, якщо зображення не було позначено як ігнорувати або кольорове.
Маркування AOI
Класифіковано зображення в контрольовану таксономію, включаючи «Не туалет», «Ігнорувати», «Порожній», «Туалетний папір», «Змивання», «Сеча», «Сечовипускання», «Каліфорнія», «Туалетне мило» та «Брістольський номер».
Гарантія якості
Застосовані робочі процеси перевірки, розроблені для досягнення 95% порогу прийняття пакетів, з перевірками якості, зосередженими на точності анотацій, правильності призначення класів та правилах маркування на рівні відвідувань.
Впровадження штучного інтелекту
Структурував вихідний набір даних для підтримки сегментації, виявлення об'єктів та конвеєрів класифікації для автоматизованого аналізу калу, моніторингу здоров'я травної системи та майбутніх застосувань «розумного здоров'я».
Обсяг проекту
| Тип набору даних / завдання | Метод анотації | Ключове правило | Цінність ШІ |
|---|---|---|---|
| Зображення стільця | Анотація багатокутника | Щільно обведіть видимі краї стільця | Підтримує сегментацію калу та морфологічний аналіз |
| Унітаз | Обмежувальна рамка | Позначайте лише на першому дійсному зображенні кожного відвідування | Допомагає моделі вивчити контекст басейну та структуру сцени |
| Мітки AOI | Тільки класифікація | Застосуйте правильну мітку сцени/події без анотації об'єкта | Дозволяє зрозуміти сцену та класифікувати події |
Результати
- Створив структурований конвеєр анотацій Понад 700 000 зображень, пов'язаних з охороною здоров'я
- Стандартизований 3 окремі робочі процеси для сегментації, локалізації та класифікації
- Увімкнено навчання ШІ для автоматизоване виявлення калу та класифікація за шкалою Брістоля
- Підтримана розробка моделі для аналіз шлунково-кишкового тракту, контекст гідратації та робочі процеси прогнозування захворювань
- Створено масштабовану основу даних, узгоджену з Цільовий показник прийняття партії 95%
Поєднуючи доставку великих обсягів з точною логікою маркування медичних зображень, Shaip допоміг клієнту перейти від захоплення необроблених зображень до готової до виробництва бази даних для автоматизованого аналізу калу наступного покоління. Проєкт створив структуру, необхідну для масштабування майбутнього розвитку штучного інтелекту в моніторингу здоров'я травної системи та профілактичних застосунках.
Шайп забезпечив точність анотацій та операційний масштаб, необхідні нам для високоспеціалізованої ініціативи зі штучного інтелекту в охороні здоров'я. Їхня здатність керувати складною сегментацією калу, локалізацією тазів та класифікацією AOI в об'ємі дала нам міцну основу для розробки моделі.
