Het versnellen van AI-gestuurde stoelganganalyse met zeer nauwkeurige medische beeldannotatie
Ontdek hoe Shaip AI-teams in de gezondheidszorg helpt bij het bouwen van computervisiemodellen voor de analyse van ontlastingsbeelden, slimme toiletten en gezondheidsmonitoring met nauwkeurige beeldannotatie.
project Overzicht
Het bouwen van een AI-model voor automatische stoelganganalyse vereist meer dan alleen het verzamelen van beelden. Het vereist zeer consistente, klinisch relevante labeling die de vorm van de ontlasting, de context van de toiletpot en omgevingskenmerken nauwkeurig vastlegt.
De klant werkte samen met Shaip om een grootschalige afbeelding te annoteren die beelden van ontlasting bevatte, vastgelegd in echte toiletruimtes. Het project vereiste een gelaagde labelstrategie die polygoongebaseerde ontlastingsannotatie, het creëren van begrenzingskaders voor de wasbak en classificatiegestuurde AOI-labeling combineerde.
Het uiteindelijke doel is het creëren van een robuuste trainingsdataset die computervisiemodellen ondersteunt voor het detecteren van ontlasting, de Bristol-classificatie van ontlasting, het herkennen van de urinecontext en toekomstige inzichten in de spijsverteringsgezondheid.
Key Stats
Eind gebruik
AI-gestuurde stoelganganalyse voor de gezondheidszorg en gastro-enterologie
Gegevensvolume
700,000 + afbeeldingen
AOI-taxonomie
10 classificatielabels
Project tijdlijn
Lopend sinds november 2023
Challenges
- Ervoor zorgen dat ontlastingsobjecten werden gesegmenteerd met nauwe polygoongrenzen, ondanks variërende belichting, toiletomstandigheden en beeldcompositie.
- Het standaardiseren van de labeling van de begrenzingskaders van de bassins, waarbij de logica op bezoekniveau alleen wordt toegepast op de eerste geldige afbeelding tijdens elk bezoek.
- Het beheren van een workflow voor het labelen van meerdere AOI-categorieën, zoals ontlasting, urine, urineren, doorspoelen, toiletpapier en Bristol-nummer.
- Het handhaven van consistentie en doorvoer bij een zeer groot beeldvolume van meer dan 700,000 bestanden.
- Ondersteuning van AI-toepassingen in de gezondheidszorg waarbij de kwaliteit van de annotaties direct van invloed is op de nauwkeurigheid van het model.
Het resultaat
Shaip ontwierp een op spoorwegen gerichte annotatieworkflow die was afgestemd op de technische eisen van het project.
Gegevensstrategie
Ik heb een gestructureerd annotatiekader ontwikkeld dat segmentatie, objectlokalisatie en classificatie combineert om meerdere modeldoelstellingen te ondersteunen vanuit een uniforme beeldverwerkingspipeline.
Annotatie van de stoelgang
Zichtbare krukjes zijn geannoteerd met behulp van nauwkeurige polygoonmaskers, waarbij elk krukje strak is omlijnd om randdetails, vorm en textuur te behouden.
Begrenzingsvak van het bassin
De toiletpot werd gemarkeerd met een kader in plaats van met segmentatie op basis van het waterniveau. De kaders werden alleen toegepast op de eerste afbeelding van elk bezoek, tenzij de afbeelding was gemarkeerd als 'negeren' of 'ingekleurd'.
AOI-etikettering
Afbeeldingen ingedeeld in een gecontroleerde taxonomie, waaronder Geen Toilet, Negeer, Leeg, Toiletpapier, Doorspoelen, Urine, Urineren, Ontlasting, Toiletzeep en Bristol-nummer.
Kwaliteitsborging
Toegepaste beoordelingsworkflows ontworpen om een acceptatiedrempel van 95% voor batches te halen, met kwaliteitscontroles gericht op de nauwkeurigheid van annotaties, correcte klasse-indeling en labelregels op bezoekniveau.
AI-ondersteuning
De uitvoerdataset is gestructureerd om segmentatie-, objectdetectie- en classificatiepipelines te ondersteunen voor geautomatiseerde stoelganganalyse, monitoring van de spijsvertering en toekomstige slimme gezondheidstoepassingen.
Project bereik
| Dataset / Taaktype | Annotatiemethode | Sleutelregel: | AI-waarde |
|---|---|---|---|
| Stoelafbeeldingen | Veelhoekannotatie | Markeer de kruk nauwkeurig rond de zichtbare randen. | Ondersteunt segmentatie en morfologieanalyse van ontlasting. |
| Toilet wastafel | Begrenzingsvak | Markeer alleen de eerste geldige afbeelding van elk bezoek. | Helpt het model de context van het bassin en de kadrering van de scène te leren. |
| AOI-labels | Alleen classificatie | Gebruik het juiste label voor de scène/gebeurtenis zonder objectannotatie. | Maakt het mogelijk om de omgeving te begrijpen en gebeurtenissen te categoriseren. |
Resultaten
- Een gestructureerde annotatiepipeline gebouwd voor Meer dan 700,000 afbeeldingen die relevant zijn voor de gezondheidszorg.
- Gestandaardiseerde 3 verschillende werkprocessen voor segmentatie, lokalisatie en classificatie
- AI-training ingeschakeld voor geautomatiseerde stoelgangdetectie en classificatie op basis van de Bristol-schaal
- Ondersteunde modelontwikkeling voor workflows voor gastro-intestinale analyse, hydratatiecontext en ziektevoorspelling
- Een schaalbare datafundament gecreëerd dat is afgestemd op een Doelstelling van 95% batchacceptatie
Door grootschalige levering te combineren met nauwkeurige logica voor het labelen van medische beelden, hielp Shaip de klant bij de overgang van ruwe beeldopname naar een productiegereed dataplatform voor geautomatiseerde stoelganganalyse van de volgende generatie. Het project legde de basis voor de schaalbare ontwikkeling van toekomstige AI-toepassingen voor monitoring van de spijsvertering en preventieve zorg.
Shaip leverde de annotatieprecisie en operationele schaal die we nodig hadden voor een zeer gespecialiseerd AI-initiatief in de gezondheidszorg. Hun vermogen om complexe segmentatie van ontlasting, lokalisatie van darmbekkens en classificatie van interessegebieden op grote schaal te beheren, gaf ons een sterke basis voor modelontwikkeling.
