Accélération de l'analyse des selles par l'IA grâce à l'annotation d'images médicales de haute précision
Découvrez comment Shaip aide les équipes d'IA du secteur de la santé à créer des modèles de vision par ordinateur pour l'analyse d'images de selles, les toilettes intelligentes et la surveillance de la santé grâce à une annotation d'images précise.
Résumé du projet
La création d'un modèle d'IA pour l'analyse automatique des selles ne se limite pas à la simple collecte d'images. Elle exige un étiquetage rigoureux et cliniquement pertinent, capable de saisir avec précision la forme des selles, le contexte du récipient et les attributs de la scène.
Le client s'est associé à Shaip pour annoter une image à grande échelle contenant des images de selles capturées dans des toilettes réelles. Le projet a nécessité une stratégie d'étiquetage multicouche combinant l'annotation des selles par polygones, la création de cadres de délimitation du bassin et l'étiquetage des zones d'intérêt (AOI) par classification.
L'objectif ultime est de créer un ensemble de données d'entraînement robuste qui prenne en charge les modèles de vision par ordinateur pour la détection des selles, la classification des selles selon l'échelle de Bristol, la reconnaissance du contexte de la miction et de futures connaissances sur la santé digestive.
Principales statistiques
Utilisation finale
Analyse des selles par intelligence artificielle pour la santé et la gastro-entérologie
Volume de données
Images 700,000 +
Taxonomie AOI
10 étiquettes de classification
Chronologie du projet
En cours depuis novembre 2023
Défis
- S'assurer que les selles étaient segmentées avec des contours polygonaux précis malgré les variations d'éclairage, les conditions des toilettes et la composition de l'image.
- Normalisation de l'étiquetage des boîtes englobantes des bassins tout en appliquant la logique au niveau de la visite uniquement à la première image valide de chaque visite.
- Gestion d'un flux de travail d'étiquetage AOI multiclasse pour des étiquettes telles que les selles, l'urine, la miction, la chasse d'eau, le papier toilette et le numéro Bristol.
- Maintenir la cohérence et le débit sur un très grand volume d'images dépassant 700 000 fichiers.
- Soutenir les cas d'utilisation de l'IA axés sur les soins de santé où la qualité des annotations affecte directement la précision du modèle en aval.
Solution
Shaip a conçu un flux de travail d'annotation axé sur le secteur ferroviaire et adapté aux exigences techniques du projet.
Stratégie de données
Définition d'un cadre d'annotation structuré combinant segmentation, localisation d'objets et classification pour prendre en charge plusieurs objectifs de modèle à partir d'un pipeline d'images unifié.
Annotation des selles
Annotation des instances de tabourets visibles à l'aide de masques polygonaux précis, traçant étroitement autour de chaque pièce de tabouret pour préserver les détails des bords, la forme et la texture.
Cadre de délimitation du bassin
Le contour du lavabo a été délimité par un cadre plutôt que par segmentation au niveau de l'eau. Ce cadre n'a été appliqué qu'à la première image de chaque visite, sauf si celle-ci était marquée comme ignorée ou colorée.
Étiquetage AOI
Les images ont été classées selon une taxonomie contrôlée comprenant : Non Toilettes, Ignorer, Vider, Papier toilette, Chasse d’eau, Urine, Urination, Selles, Savon de toilette et Numéro de Bristol.
QA
Des flux de travail d'examen appliqués conçus pour atteindre un seuil d'acceptation par lot de 95 %, avec des contrôles de qualité axés sur la précision des annotations, l'attribution correcte des classes et les règles d'étiquetage au niveau de la visite.
Activation de l'IA
Nous avons structuré l'ensemble de données de sortie pour prendre en charge les pipelines de segmentation, de détection d'objets et de classification pour l'analyse automatisée des selles, la surveillance de la santé digestive et les futures applications de santé intelligente.
Description du projet
| Type de jeu de données / de tâche | Méthode d'annotation | Règle clé | Valeur de l'IA |
|---|---|---|---|
| Images de tabouret | Annotation de polygone | Annoter le tabouret en suivant précisément les bords visibles. | Permet l'analyse de la segmentation et de la morphologie des selles |
| Bassin de toilette | Boîte englobante | Marquer uniquement sur la première image valide de chaque visite | Aide le modèle à apprendre le contexte du bassin et le cadrage de la scène. |
| Étiquettes AOI | Classification uniquement | Appliquez l'étiquette de scène/événement correcte sans annotation d'objet | Permet la compréhension de la scène et la catégorisation des événements |
Les résultats
- J'ai construit un pipeline d'annotation structuré à travers Plus de 700 000 images pertinentes pour le secteur de la santé
- Normalisé 3 flux de travail distincts pour la segmentation, la localisation et la classification
- Formation à l'IA activée pour Détection automatisée des selles et classification selon l'échelle de Bristol
- Développement de modèles pris en charge pour flux de travail d'analyse gastro-intestinale, de contexte d'hydratation et de prédiction des maladies
- Création d'une infrastructure de données évolutive alignée sur un Objectif d'acceptation des lots : 95 %
En combinant la livraison à haut débit et une logique précise d'étiquetage d'images médicales, Shaip a aidé le client à passer de la capture d'images brutes à une base de données prête pour la production, destinée à l'analyse automatisée des selles de nouvelle génération. Le projet a établi la structure nécessaire au développement futur de l'IA dans les applications de surveillance de la santé digestive et de soins préventifs.
Shaip a apporté la précision d'annotation et l'envergure opérationnelle dont nous avions besoin pour notre initiative d'IA hautement spécialisée dans le domaine de la santé. Sa capacité à gérer un volume important de données complexes sur la segmentation des selles, la localisation des bassins et la classification des zones d'intérêt nous a fourni une base solide pour le développement de notre modèle.
