Przyspieszenie analizy stolca opartej na sztucznej inteligencji dzięki precyzyjnej adnotacji obrazów medycznych
Dowiedz się, w jaki sposób Shaip pomaga zespołom zajmującym się sztuczną inteligencją w służbie zdrowia w budowaniu modeli widzenia komputerowego do analizy obrazu kału, inteligentnych toalet i monitorowania stanu zdrowia z dokładnymi opisami obrazów
Przegląd projektu
Zbudowanie modelu AI do automatycznej analizy kału wymaga czegoś więcej niż tylko gromadzenia obrazów. Wymaga ono wysoce spójnego, klinicznie istotnego etykietowania, które precyzyjnie odzwierciedla kształt kału, kontekst miski i atrybuty na poziomie sceny.
Klient nawiązał współpracę z Shaip w celu opracowania adnotacji do wielkoskalowego obrazu zawierającego obrazy stolca zarejestrowane w rzeczywistych warunkach toaletowych. Projekt wymagał wielowarstwowej strategii etykietowania, łączącej adnotację stolca opartą na wielokątach, tworzenie pól ograniczających miskę oraz etykietowanie AOI oparte na klasyfikacji.
Końcowym celem jest utworzenie solidnego zbioru danych szkoleniowych, który będzie obsługiwał modele widzenia komputerowego do wykrywania stolca, klasyfikacji stolca według Bristolu, rozpoznawania kontekstu oddawania moczu i przyszłych spostrzeżeń na temat zdrowia układu pokarmowego.
Kluczowe statystyki
Koniec użytkowania
Analiza kału wspomagana sztuczną inteligencją dla służby zdrowia i gastroenterologii
Objętość danych
Obrazy 700,000 +
Taksonomia AOI
10 etykiet klasyfikacyjnych
Oś czasu projektu
Trwa od listopada 2023 r.
Wyzwania
- Zapewnienie, że obiekty stolca były segmentowane za pomocą ścisłych granic wielokątnych, pomimo zróżnicowanego oświetlenia, warunków toaletowych i kompozycji obrazu.
- Standaryzacja etykietowania pól ograniczających basen przy jednoczesnym stosowaniu logiki na poziomie wizyty tylko do pierwszego prawidłowego obrazu w każdej wizycie.
- Zarządzanie wieloklasowym procesem etykietowania AOI obejmującym takie etykiety, jak stolec, mocz, oddawanie moczu, spłukiwanie, papier toaletowy i numer Bristol.
- Utrzymanie spójności i przepustowości przy bardzo dużej objętości obrazów, przekraczającej 700 000 plików.
- Wsparcie przypadków użycia sztucznej inteligencji w opiece zdrowotnej, w których jakość adnotacji bezpośrednio wpływa na dokładność modelu dalszego ciągu.
Rozwiązanie
Shaip zaprojektował ukierunkowany na kolej proces adnotacji dostosowany do technicznych wymagań projektu.
Strategia danych
Zdefiniowano strukturalny framework adnotacji łączący segmentację, lokalizację obiektów i klasyfikację w celu obsługi wielu celów modelu z ujednoliconego procesu przetwarzania obrazów.
Adnotacja do stolca
Widoczne fragmenty stołków opatrzono adnotacjami, wykorzystując precyzyjne maski wielokątne i ściśle śledząc każdy element stołka, aby zachować szczegóły krawędzi, kształt i fakturę.
Pole ograniczające basen
Oznaczono umywalkę za pomocą ramki ograniczającej, a nie segmentacji poziomu wody. Ramki umywalki były stosowane tylko do pierwszego obrazu każdej wizyty, chyba że obraz został oznaczony jako „ignoruj” lub „kolor”.
Etykietowanie AOI
Posortowano obrazy według kontrolowanej taksonomii, w tym: Brak toalety, Ignorowanie, Pusty, Papier toaletowy, Spłukiwanie, Mocz, Oddawanie moczu, Kał, Mydło toaletowe i Liczba Bristolska.
Zapewnienie jakości:
Zastosowano przepływy pracy przeglądu zaprojektowane tak, aby spełnić 95% próg akceptacji partii, z kontrolami jakości skupiającymi się na spójności adnotacji, prawidłowym przypisywaniu klas i regułach etykietowania na poziomie wizyty.
Włączanie sztucznej inteligencji
Ustrukturyzowano zbiór danych wyjściowych w celu obsługi segmentacji, wykrywania obiektów i procedur klasyfikacji na potrzeby zautomatyzowanej analizy stolca, monitorowania zdrowia układu pokarmowego i przyszłych aplikacji z zakresu inteligentnego zdrowia.
Zakres projektu
| Zestaw danych / Typ zadania | Metoda adnotacji | Zasada kluczowa | Wartość AI |
|---|---|---|---|
| Obrazy stolca | Adnotacja wielokąta | Dokładnie opisz widoczne krawędzie stolca | Wspomaga segmentację stolca i analizę jego morfologii |
| Miska WC | Pudełko ograniczające | Zaznacz tylko pierwszy prawidłowy obraz każdej wizyty | Pomaga modelowi poznać kontekst basenu i kadrowanie sceny |
| Etykiety AOI | Tylko klasyfikacja | Zastosuj prawidłową etykietę sceny/wydarzenia bez adnotacji obiektu | Umożliwia zrozumienie sceny i kategoryzację zdarzeń |
Wyniki
- Zbudowano ustrukturyzowany proces adnotacji w całym Ponad 700 000 obrazów istotnych dla opieki zdrowotnej
- znormalizowane 3 różne przepływy pracy do segmentacji, lokalizacji i klasyfikacji
- Włączono szkolenie AI dla automatyczne wykrywanie stolca i klasyfikacja oparta na skali Bristol
- Wspierany rozwój modelu dla analiza przewodu pokarmowego, kontekst nawodnienia i przepływy pracy związane z przewidywaniem chorób
- Stworzono skalowalną bazę danych dostosowaną do Cel akceptacji partii na poziomie 95%
Łącząc dużą liczbę danych z precyzyjną logiką znakowania obrazów medycznych, Shaip pomógł klientowi przejść od pozyskiwania surowych obrazów do gotowej do produkcji bazy danych, umożliwiającej automatyczną analizę kału nowej generacji. Projekt stworzył strukturę niezbędną do skalowania przyszłego rozwoju sztucznej inteligencji w monitorowaniu zdrowia układu pokarmowego i aplikacjach profilaktycznych.
Shaip zapewnił precyzję adnotacji i skalę operacyjną, których potrzebowaliśmy w wysoce wyspecjalizowanej inicjatywie AI w opiece zdrowotnej. Ich zdolność do zarządzania złożoną segmentacją stolca, lokalizacją zbiorników i klasyfikacją AOI na poziomie objętości dała nam solidne podstawy do rozwoju modelu.
