Yüksek Hassasiyetli Tıbbi Görüntü Etiketleme ile Yapay Zeka Destekli Dışkı Analizini Hızlandırma
Shaip'in sağlık sektöründeki yapay zeka ekiplerinin dışkı görüntüsü analizi, akıllı tuvaletler ve sağlık takibi için doğru görüntü açıklamasıyla bilgisayar görüşü modelleri oluşturmasına nasıl yardımcı olduğunu keşfedin.
Projeye Genel Bakış
Otomatik dışkı analizi için bir yapay zeka modeli oluşturmak, yalnızca görüntü toplamaktan daha fazlasını gerektirir. Dışkı şeklini, havza bağlamını ve sahne düzeyindeki özellikleri hassas bir şekilde yakalayan, son derece tutarlı ve klinik olarak ilgili etiketleme gerektirir.
Müşteri, gerçek dünya tuvalet ortamlarında çekilen dışkı görüntülerini içeren büyük ölçekli bir görüntüyü etiketlemek için Shaip ile iş birliği yaptı. Proje, çokgen tabanlı dışkı etiketleme, havza sınırlayıcı kutu oluşturma ve sınıflandırma odaklı AOI etiketlemeyi birleştiren çok katmanlı bir etiketleme stratejisi gerektiriyordu.
Nihai hedef, dışkı tespiti, Bristol dışkı sınıflandırması, idrar bağlamı tanıma ve gelecekteki sindirim sağlığına ilişkin bilgiler için bilgisayar görüşü modellerini destekleyecek sağlam bir eğitim veri seti oluşturmaktır.
Anahtar İstatistikler
Son kullanım
Sağlık ve gastroenteroloji alanında yapay zeka destekli dışkı analizi
Veri Hacmi
700,000+ görüntü
AOI Taksonomisi
10 sınıflandırma etiketi
Proje Zaman Çizelgesi
Kasım 2023'ten beri devam ediyor
Meydan Okumalar
- Aydınlatma, tuvalet koşulları ve görüntü kompozisyonundaki farklılıklara rağmen, dışkı nesnelerinin dar çokgen sınırlarıyla bölümlere ayrılması sağlandı.
- Havza sınırlayıcı kutu etiketlemesini standartlaştırırken, ziyaret düzeyindeki mantığı yalnızca her ziyaretteki ilk geçerli görüntüye uygulamak.
- Dışkı, idrar, idrara çıkma, sifon çekme, tuvalet kağıdı ve Bristol numarası gibi etiketleri kapsayan çok sınıflı bir AOI etiketleme iş akışını yönetmek.
- 700,000'den fazla dosyadan oluşan çok büyük bir görüntü hacmi genelinde tutarlılığı ve işlem hızını korumak.
- Yapay zekanın sağlık sektörüne yönelik kullanım alanlarında, veri etiketleme kalitesinin model doğruluğunu doğrudan etkilediği durumları desteklemek.
Çözüm
Shaip, projenin teknik gereksinimlerine uygun, demiryolu odaklı bir açıklama ekleme iş akışı tasarladı.
Veri Stratejisi
Tek bir görüntü işleme hattından birden fazla model hedefini desteklemek için segmentasyon, nesne konumlandırma ve sınıflandırmayı birleştiren yapılandırılmış bir açıklama çerçevesi tanımlandı.
Dışkı Notu
Her bir tabure parçasının kenar detaylarını, şeklini ve dokusunu korumak için, hassas çokgen maskeler kullanılarak görünür tabure örnekleri işaretlendi ve her bir tabure parçasının etrafı sıkıca çizildi.
Havza Sınır Kutusu
Tuvalet lavabosu, su seviyesi segmentasyonu yerine sınırlayıcı bir kutu kullanılarak işaretlendi. Lavabo kutuları, görüntü "yoksay" veya "renkli" olarak işaretlenmediği sürece, her ziyaretin yalnızca ilk görüntüsüne uygulandı.
AOI Etiketleme
Görüntüler, Tuvalet Dışı, Yok Say, Boşalt, Tuvalet Kağıdı, Sifon Çekme, İdrar, İdrar Yapma, Dışkı, Tuvalet Sabunu ve Bristol Numarası gibi kontrollü bir taksonomiye göre sınıflandırılmıştır.
Kalite güvencesi
Uygulamalı inceleme iş akışları, %95'lik toplu kabul eşiğini karşılamak üzere tasarlanmıştır ve kalite kontrolleri, açıklama doğruluğu, doğru sınıf ataması ve ziyaret düzeyinde etiketleme kurallarına odaklanmıştır.
Yapay Zeka Etkinleştirme
Otomatik dışkı analizi, sindirim sağlığı izleme ve gelecekteki akıllı sağlık uygulamaları için segmentasyon, nesne tespiti ve sınıflandırma süreçlerini destekleyecek şekilde çıktı veri kümesini yapılandırdık.
Proje kapsamı
| Veri Kümesi / Görev Türü | Ek Açıklama Yöntemi | Anahtar Kural | Yapay Zeka Değeri |
|---|---|---|---|
| Dışkı Resimleri | Çokgen açıklaması | Tabureyi görünür kenarları boyunca sıkıca işaretleyin. | Dışkı segmentasyonu ve morfoloji analizini destekler. |
| Tuvalet Havzası | Sınırlayıcı kutu | Her ziyaretin yalnızca ilk geçerli görüntüsünde işaretleme yapın. | Modelin havza bağlamını ve sahne çerçevesini öğrenmesine yardımcı olur. |
| AOI Etiketleri | Sadece sınıflandırma | Nesne açıklaması kullanmadan doğru sahne/olay etiketini uygulayın. | Sahneyi anlamayı ve olayları kategorize etmeyi sağlar. |
Çıktıları
- Yapılandırılmış bir açıklama işlem hattı oluşturuldu. 700,000'den fazla sağlık sektörüyle ilgili görsel
- Standardize 3 farklı iş akışı segmentasyon, lokalizasyon ve sınıflandırma için
- Yapay zekâ eğitimi etkinleştirildi otomatik dışkı tespiti ve Bristol ölçeğiyle ilgili sınıflandırma
- Model geliştirme desteği sağlandı. gastrointestinal analiz, hidrasyon bağlamı ve hastalık tahmini iş akışları
- Ölçeklenebilir bir veri altyapısı oluşturuldu, bu altyapı şunlarla uyumlu hale getirildi: %95 parti kabul hedefi
Shaip, yüksek hacimli veri iletimini hassas tıbbi görüntü etiketleme mantığıyla birleştirerek, müşterinin ham görüntü yakalamadan yeni nesil otomatik dışkı analizi için üretime hazır bir veri tabanına geçmesine yardımcı oldu. Proje, sindirim sağlığı izleme ve önleyici bakım uygulamalarında gelecekteki yapay zeka geliştirme çalışmalarını ölçeklendirmek için gerekli yapıyı oluşturdu.
Shaip, son derece uzmanlaşmış bir sağlık yapay zeka girişimi için ihtiyaç duyduğumuz açıklama hassasiyetini ve operasyonel ölçeği sağladı. Karmaşık dışkı segmentasyonu, havza lokalizasyonu ve hacimsel AOI sınıflandırmasını yönetme yetenekleri, model geliştirme için bize güçlü bir temel oluşturdu.
