Ускорение анализа кала с помощью ИИ и высокоточной аннотации медицинских изображений.
Узнайте, как Shaip помогает командам, занимающимся разработкой ИИ в здравоохранении, создавать модели компьютерного зрения для анализа изображений кала, «умных» туалетов и мониторинга здоровья с точной аннотацией изображений.
Обзор проекта
Для создания модели искусственного интеллекта для автоматического анализа кала требуется нечто большее, чем просто сбор изображений. Необходима высокоточная, клинически значимая маркировка, которая точно отражает форму кала, контекст емкости и характеристики сцены.
Клиент сотрудничал с компанией Shaip для аннотирования крупномасштабного изображения, содержащего снимки кала, полученные в реальных условиях туалета. Проект требовал многоуровневой стратегии разметки, сочетающей аннотирование кала на основе полигонов, создание ограничивающих рамок для раковин и разметку областей интереса на основе классификации.
Конечная цель — создание надежного обучающего набора данных, который будет поддерживать модели компьютерного зрения для обнаружения кала, классификации кала по Бристольской шкале, распознавания контекста мочеиспускания и получения будущих данных о здоровье пищеварительной системы.
Основная статистика
Конечное применение
Анализ кала с помощью искусственного интеллекта для здравоохранения и гастроэнтерологии
Объем данных
700,000 + изображения
Таксономия AOI
10 классификационных меток
Сроки реализации проекта
Продолжается с ноября 2023 года.
Задачи
- Обеспечение сегментации объектов стула с помощью четких полигональных границ, несмотря на различное освещение, условия в туалете и композицию изображения.
- Стандартизация маркировки ограничивающих рамок бассейнов с применением логики уровня посещения только к первому допустимому изображению в каждом посещении.
- Управление рабочим процессом маркировки многоклассовых областей интереса (AOI) для таких категорий, как кал, моча, мочеиспускание, смыв, туалетная бумага и номер Бристоля.
- Обеспечение стабильности и производительности при обработке очень большого объема изображений, превышающего 700 000 файлов.
- Поддержка сценариев использования ИИ в здравоохранении, где качество аннотаций напрямую влияет на точность последующей модели.
Решение
Компания Shaip разработала рабочий процесс аннотирования, ориентированный на железнодорожную тематику, с учетом технических требований проекта.
Стратегия данных
Разработана структурированная система аннотирования, объединяющая сегментацию, локализацию объектов и классификацию для поддержки множества задач модели в рамках единого конвейера обработки изображений.
Аннотация кала
Аннотированные видимые фрагменты стула с использованием точных полигональных масок, с плотным обводом каждого фрагмента для сохранения деталей краев, формы и текстуры.
Ограничивающая рамка бассейна
Для обозначения раковины в туалете использовалась ограничивающая рамка, а не сегментация по уровню воды. Рамки для обозначения раковины применялись только к первому изображению каждого посещения, за исключением случаев, когда изображение было помечено как игнорируемое или цветное.
Маркировка AOI
Изображения были классифицированы по контролируемой таксономии, включающей категории: «Не туалет», «Игнорировать», «Пустой», «Туалетная бумага», «Смыв», «Моча», «Мочеиспускание», «Стул», «Туалетное мыло» и «Бристольский номер».
Гарантия качества
Разработаны рабочие процессы проверки, обеспечивающие 95%-ный порог приемлемости партий, с проверками качества, сосредоточенными на точности аннотаций, правильном присвоении классов и правилах маркировки на уровне посещений.
Внедрение ИИ
Структурирование выходного набора данных позволяет использовать его для сегментации, обнаружения объектов и классификации в автоматизированном анализе кала, мониторинге состояния пищеварительной системы и будущих приложениях для «умного» здравоохранения.
Объем проекта
| Тип набора данных / задачи | Метод аннотирования | Ключевое правило | Ценность ИИ |
|---|---|---|---|
| Изображения стульев | Аннотация многоугольника | Тщательно проанализируйте кала по видимым краям. | Поддерживает сегментацию стула и морфологический анализ. |
| Унитаз | Ограничительная рамка | Отмечайте только первое допустимое изображение каждого посещения. | Помогает модели изучить контекст водосборного бассейна и кадрирование сцены. |
| Метки AOI | Только для классификации | Примените правильную метку сцены/события без аннотации объекта. | Обеспечивает понимание обстановки и категоризацию событий. |
Результаты
- Создан структурированный конвейер аннотирования. Более 700 000 изображений, имеющих отношение к здравоохранению.
- Стандартизированный 3 различных рабочих процесса для сегментации, локализации и классификации
- Включено обучение ИИ для автоматическое обнаружение кала и классификация по Бристольской шкале.
- Поддержка разработки моделей для анализ желудочно-кишечного тракта, контекст гидратации и рабочие процессы прогнозирования заболеваний
- Создана масштабируемая база данных, соответствующая определенным требованиям. Целевой показатель приемки партии — 95%.
Благодаря сочетанию высокопроизводительной доставки данных с точной логикой маркировки медицинских изображений, компания Shaip помогла клиенту перейти от захвата необработанных изображений к готовой к производству базе данных для автоматизированного анализа кала следующего поколения. Проект заложил основу, необходимую для масштабирования будущих разработок в области искусственного интеллекта в сфере мониторинга здоровья пищеварительной системы и профилактической медицины.
Компания Shaip обеспечила необходимую точность аннотирования и масштабируемость, соответствующие узкоспециализированной инициативе в области искусственного интеллекта в здравоохранении. Их способность обрабатывать сложные сегментации кала, локализацию очагов и классификацию областей интереса в больших объемах дала нам прочную основу для разработки модели.
