Beschleunigung der KI-gestützten Stuhlanalyse durch hochpräzise medizinische Bildannotation
Erfahren Sie, wie Shaip KI-Teams im Gesundheitswesen dabei unterstützt, Computer-Vision-Modelle für die Stuhlbildanalyse, intelligente Toiletten und die Gesundheitsüberwachung mit präziser Bildannotation zu entwickeln.
Projektübersicht
Die Entwicklung eines KI-Modells zur automatischen Stuhlanalyse erfordert mehr als nur die Bilderfassung. Sie bedarf einer hochkonsistenten, klinisch relevanten Kennzeichnung, die Stuhlform, Beckenkontext und szenenbezogene Merkmale präzise erfasst.
Der Kunde beauftragte Shaip mit der Annotation eines großflächigen Bildmaterials, das Stuhlaufnahmen aus realen Toilettenumgebungen enthielt. Das Projekt erforderte eine mehrstufige Labeling-Strategie, die polygonbasierte Stuhlannotation, die Erstellung von Beckenbegrenzungsrahmen und klassifizierungsbasierte AOI-Labeling kombinierte.
Das übergeordnete Ziel ist die Erstellung eines robusten Trainingsdatensatzes, der Computer-Vision-Modelle für die Stuhlerkennung, die Bristol-Stuhlklassifizierung, die Erkennung des Urinierungskontexts und zukünftige Erkenntnisse zur Verdauungsgesundheit unterstützt.
Schlüsselstats
Ende Verwendung
KI-gestützte Stuhlanalyse für Gesundheitswesen und Gastroenterologie
Datenvolumen
700,000 + Bilder
AOI-Taxonomie
10 Klassifizierungsbezeichnungen
Projekt Zeitleiste
Läuft seit November 2023
Challenges
- Sicherstellen, dass Stuhlobjekte trotz unterschiedlicher Lichtverhältnisse, Toilettenbedingungen und Bildkompositionen mit engen Polygongrenzen segmentiert wurden.
- Standardisierung der Beckenbegrenzungsrahmen-Beschriftung bei gleichzeitiger Anwendung der Besuchslogik nur auf das erste gültige Bild jedes Besuchs.
- Verwaltung eines Workflows zur Kennzeichnung von AOI-Kategorien mit mehreren Klassen, darunter Kategorien wie Stuhl, Urin, Wasserlassen, Spülung, Toilettenpapier und Bristol-Nummer.
- Aufrechterhaltung von Konsistenz und Durchsatz bei einem sehr großen Bildvolumen von über 700,000 Dateien.
- Unterstützung von KI-Anwendungsfällen im Gesundheitswesen, bei denen die Qualität der Annotationen die Genauigkeit des nachgelagerten Modells direkt beeinflusst.
Lösung
Shaip entwarf einen auf die technischen Anforderungen des Projekts zugeschnittenen Annotationsworkflow mit Fokus auf Eisenbahnwesen.
Datenstrategie
Es wurde ein strukturiertes Annotationsframework definiert, das Segmentierung, Objektlokalisierung und Klassifizierung kombiniert, um mehrere Modellziele aus einer einheitlichen Bildverarbeitungspipeline zu unterstützen.
Stuhl-Annotation
Sichtbare Hockerfragmente wurden mithilfe präziser Polygonmasken annotiert, wobei jedes Hockerteil genau umrandet wurde, um Kantendetails, Form und Textur zu erhalten.
Beckenbegrenzungsrahmen
Das Toilettenbecken wurde mithilfe eines Begrenzungsrahmens anstatt einer Wasserstandssegmentierung markiert. Die Beckenbegrenzungsrahmen wurden nur auf das erste Bild jedes Besuchs angewendet, es sei denn, das Bild war als „Ignorieren“ oder „Farbe“ markiert.
AOI-Kennzeichnung
Klassifizierte Bilder in eine kontrollierte Taxonomie, darunter Nicht-Toilette, Ignorieren, Leer, Toilettenpapier, Spülung, Urin, Wasserlassen, Stuhl, Toilettenseife und Bristol-Nummer.
Qualitätssicherung
Angewandte Prüfprozesse, die darauf ausgelegt sind, eine Stapelakzeptanzschwelle von 95 % zu erreichen, wobei die Qualitätskontrollen sich auf die Genauigkeit der Annotationen, die korrekte Klassenzuordnung und die Kennzeichnungsregeln auf Besuchsebene konzentrieren.
KI-Aktivierung
Der Ausgabedatensatz wurde so strukturiert, dass er Segmentierungs-, Objekterkennungs- und Klassifizierungspipelines für die automatisierte Stuhlanalyse, die Überwachung der Verdauungsgesundheit und zukünftige Smart-Health-Anwendungen unterstützt.
Projektumfang
| Datensatz-/Aufgabentyp | Annotationsmethode | Schlüsselregel | KI-Wert |
|---|---|---|---|
| Stuhlbilder | Polygonanmerkung | Beschriften Sie den Stuhl genau an den sichtbaren Kanten. | Unterstützt die Stuhlsegmentierung und Morphologieanalyse |
| Toilettenbecken | Begrenzungsrahmen | Markieren Sie nur das erste gültige Bild jedes Besuchs | Hilft dem Modell, den Beckenkontext und die Szenengestaltung zu erlernen. |
| AOI-Labels | Klassifizierung | Weisen Sie die korrekte Szenen-/Ereignisbezeichnung ohne Objektannotation zu. | Ermöglicht Szenenverständnis und Ereigniskategorisierung |
Ergebnisse:
- Eine strukturierte Annotationspipeline wurde erstellt über Mehr als 700,000 Bilder mit Bezug zum Gesundheitswesen
- Standardisiert 3 verschiedene Arbeitsabläufe für Segmentierung, Lokalisierung und Klassifizierung
- Aktiviertes KI-Training für automatisierte Stuhldetektion und Klassifizierung nach der Bristol-Skala
- Unterstützte Modellentwicklung für Arbeitsabläufe zur gastrointestinalen Analyse, zum Hydratationsstatus und zur Krankheitsvorhersage
- Es wurde eine skalierbare Datengrundlage geschaffen, die auf Folgendes ausgerichtet ist: 95% Chargenannahmeziel
Durch die Kombination von hoher Datenmenge und präziser Logik zur Kennzeichnung medizinischer Bilder unterstützte Shaip den Kunden beim Übergang von der Rohbildaufnahme zu einer produktionsreifen Datengrundlage für die automatisierte Stuhlanalyse der nächsten Generation. Das Projekt schuf die notwendige Struktur für die zukünftige Skalierung der KI-Entwicklung in Anwendungen zur Überwachung der Verdauungsgesundheit und zur Prävention.
Shaip lieferte die Annotationsgenauigkeit und den operativen Umfang, die wir für eine hochspezialisierte KI-Initiative im Gesundheitswesen benötigten. Ihre Fähigkeit, komplexe Stuhlsegmentierungen, Beckenlokalisierungen und AOI-Klassifizierungen in großem Umfang durchzuführen, bildete eine solide Grundlage für die Modellentwicklung.
