Slimme badkamergezondheidsmonitoring: casestudy over beeldclassificatie van toiletpotten
Hoe Shaip een gestructureerde pijplijn voor medische beeldannotatie heeft ontwikkeld, waarmee 10,000 toiletpotafbeeldingen per batch kunnen worden geclassificeerd met 5 primaire gebeurtenisklassen, klinische scores volgens de Bristol Stool Scale en meer dan 20 attribuutlabels – waarmee niet-invasieve digitale gezondheidsmonitoring met AI mogelijk wordt gemaakt.
project Overzicht
Naarmate niet-invasieve digitale gezondheidsmonitoring zijn intrede deed in slimme badkamers, had de klant behoefte aan een klinisch onderbouwde annotatiepipeline die in staat was om grote hoeveelheden telecentrische camerabeelden te classificeren aan de hand van een gestructureerde beslissingsboom met een granulariteit op attribuutniveau.
Shaip ontwikkelde de complete annotatiepipeline, die de beoordeling van de bruikbaarheid van afbeeldingen, de classificatie van primaire gebeurtenissen, de Bristol Stool Scale-score, het toevoegen van attributen en de overdracht van kwaliteitscontroles in batches omvat. Hiermee werden klinisch toepasbare datasets gegenereerd voor AI-systemen die de gezondheid van het maag-darmkanaal monitoren.
Sleutelstatus
Afbeeldingen per batch
10,000
Levering Cyclus
14 dagen
Primaire evenementklassen
5
Bristol schaalbereik
1-7
Challenges
- Het bouwen van een klinisch onderbouwd classificatieschema omvat 5 primaire gebeurtenisklassen plus meer dan 20 attribuutlabels
- Werkend op een strikte batchcyclus van 14 dagen met 10,000 beelden per cyclus.
- Het toepassen van Bristol Stool Scale 1–7 score consistent bij alle stoelganggebeurtenissen
- Behandeling monochroom, belemmerd en door artefacten beïnvloed beeldmateriaal met prioriteit voor gebruiksvriendelijkheid
- Coördinerende overdracht van de kwaliteitscontrole aan de klant met gestructureerde mijlpalen op dag 7 en dag 14
Het resultaat
Beslissingsboom classificatie
Shaip ontwierp een gestructureerde beslissingsboomworkflow die vijf primaire gebeurteniscategorieën omvatte: Leegmaken, Urine, Ontlasting, Doorspoelen en Toiletzeep. Deze workflow was voorzien van combineerbare tags voor samengestelde gebeurtenissen (bijvoorbeeld doorspoelen in combinatie met ontlasting). Een tag 'Gebeurtenis onduidelijk' behandelde ambigue gevallen, terwijl herkenbare gebeurteniscombinaties behouden bleven.
Klinische Bristol-schaalscore
Voor alle stoelganggebeurtenissen kenden annotatoren een score van 1 tot 7 toe aan de Bristol Stool Scale, met de optie 'Onduidelijk' of 'Gemengd' voor lastige gevallen. Deze klinische scorelaag maakte de dataset direct bruikbaar voor de training van AI voor het monitoren van de gastro-intestinale gezondheid.
Rijke attribuuttagging
Naast de primaire classificatie kreeg elke afbeelding attribuutlabels voor de zichtbaarheid van de urinestraal, de aanwezigheid van toiletpapier, de detectie van bloed (inclusief vermoedelijk bloed, bloedstolsels en bloedresten), corrosiesporen, cameravervuiling, beeldbelemmering, flitsartefacten, niet-gecentreerde kadrering, laag volume, drijvende inhoud en lekkage van het toilet. Monochromatische afbeeldingen in oranje of paarsblauwe tinten kregen extra kleurmarkeringen.
Triage van de bruikbaarheid van afbeeldingen
Elke afbeelding werd eerst beoordeeld op bruikbaarheid en relevantie. Afbeeldingen met pixelering, overbelichte afbeeldingen, groene of grijze afbeeldingen, niet-telecentrische afbeeldingen en afbeeldingen die niet relevant waren, werden gemarkeerd als genegeerd. Deze selectieprocedure voorkwam dat ongeschikte afbeeldingen in de gelabelde dataset terechtkwamen, waardoor de kwaliteit van de modeltraining in latere fasen werd gewaarborgd.
Batchcyclus van twee weken en overdracht naar kwaliteitscontrole
Shaip werkte met een strikte cyclus van twee weken per batch, met duidelijk gedefinieerde mijlpalen. Nadat Shaip het taggen had voltooid, beoordeelde het interne QA-team van de klant de helft van de batch op dag 7 en de volledige batch op dag 14. Afgekeurde afbeeldingen werden gemarkeerd en teruggestuurd voor correctie, waardoor continue kwaliteitsverbetering over de batches heen werd gewaarborgd.
Project bereik
| Gegevenssettype | Volume per batch | Evenement lessen | Klinische score | Attribuutlabels | Cyclus |
|---|---|---|---|---|---|
| Slimme toilet afbeelding classificatie | 10,000 beelden | 5 primaire + combinaties | Bristol Stool Scale 1–7 | 20+ labels | 14 dagen |
Resultaten
- Opgericht een klinisch onderbouwde annotatiepipeline voor niet-invasieve digitale gezondheidsmonitoring met AI
- Gestandaardiseerde 5-klassen primaire gebeurtenisclassificatie met combineerbare taglogica
- Geleverd Bristol Stool Scale 1–7 score bij elk kruk-evenement
- Gebouwd 20+ attribuuttags variërend van klinische aandoeningen, beeldkwaliteit tot visuele artefacten.
- onderhouden strikte batchcycli van 14 dagen met gestructureerde QA-overdracht aan de klant
Al met al heeft Shaip geholpen om een grootschalige behoefte aan classificatie van medische beelden om te zetten in een klinisch gestructureerde, productiegereed annotatieproces – een proces dat op grote schaal niet-invasieve digitale gezondheidsmonitoring, AI voor het maag-darmkanaal en klinische beslissingsondersteuningstoepassingen voor thuisgebruik kan ondersteunen.
Shaip begreep dat dit geen routinematige beeldtagging was, maar klinische annotatie. Hun uitvoering volgens de Bristol Scale, de nauwkeurigheid van de attribuutlabels en de discipline in de batchverwerking leverden ons trainingsdata op die we met vertrouwen konden gebruiken voor de implementatie van het model.
