Snabbare AI-driven avföringsanalys med högprecisions medicinsk bildannotering
Upptäck hur Shaip hjälper AI-team inom sjukvården att bygga datorseendemodeller för bildanalys av avföring, smarta toaletter och hälsoövervakning med noggrann bildannotering.
Projektöversikt
Att bygga en AI-modell för automatisk avföringsanalys kräver mer än bara bildinsamling. Det kräver mycket konsekvent, kliniskt relevant märkning som fångar avföringsform, bassängkontext och attribut på scennivå med precision.
Kunden samarbetade med Shaip för att kommentera en storskalig bild med avföringsbilder tagna i verkliga toalettmiljöer. Projektet krävde en flerskiktad märkningsstrategi som kombinerade polygonbaserad avföringsannotering, skapande av avgränsningsboxar för handfat och klassificeringsdriven AOI-märkning.
Det slutgiltiga målet är att skapa en robust träningsdatauppsättning som stöder datorseendemodeller för avföringsdetektering, avföringsklassificering i Bristol, igenkänning av urineringskontext och framtida insikter om matsmältningshälsa.
Nyckelstatistik
Slutanvändning
AI-driven avföringsanalys för hälso- och sjukvård och gastroenterologi
Datavolym
700,000+ bilder
AOI-taxonomi
10 klassificeringsetiketter
Projekt tidslinje
Pågående sedan november 2023
Utmaningar
- Säkerställande av pallobjekt var segmenterade med snäva polygongränser trots varierande ljus, toalettförhållanden och bildkomposition.
- Standardisera märkning av avgränsningsrutor för bassänger samtidigt som logik på besöksnivå endast tillämpas på den första giltiga bilden i varje besök.
- Hantera ett arbetsflöde för AOI-märkning med flera klasser över etiketter som avföring, urin, urinering, spolning, toalettpapper och Bristol-nummer.
- Bibehåller konsekvens och dataflöde över en mycket stor bildvolym som överstiger 700 000 filer.
- Stödjer vårdorienterade AI-användningsfall där annoteringskvaliteten direkt påverkar noggrannheten i nedströmsmodeller.
Lösning
Shaip utformade ett järnvägsfokuserat annoteringsarbetsflöde skräddarsytt efter projektets tekniska krav.
Datastrategi
Definierade ett strukturerat annoteringsramverk som kombinerade segmentering, objektlokalisering och klassificering för att stödja flera modellmål från en enhetlig bildpipeline.
Avföringsannotering
Annoterade synliga pallförekomster med hjälp av exakta polygonmasker, som följer tätt runt varje palldel för att bevara kantdetaljer, form och textur.
Bassängens avgränsningsbox
Markerade toalettstolen med en avgränsningsruta istället för vattennivåsegmentering. Tvättstolsrutor tillämpades endast på den första bilden vid varje besök, såvida inte bilden var markerad som ignorerad eller färgad.
AOI-märkning
Klassificerade bilder i en kontrollerad taxonomi inklusive Icke-toalett, Ignorera, Töm, Toalettpapper, Spolning, Urin, Urinering, Avföring, Toaletttvål och Bristolnummer.
Kvalitetssäkring
Tillämpade granskningsarbetsflöden utformade för att uppfylla en tröskel på 95 % batchacceptans, med kvalitetskontroller fokuserade på annoteringsnoggrannhet, korrekt klasstilldelning och märkningsregler på besöksnivå.
AI-aktivering
Strukturerade utdatasetet för att stödja segmentering, objektdetektering och klassificeringspipelines för automatiserad avföringsanalys, övervakning av matsmältningshälsa och framtida smarta hälsoapplikationer.
Projektets omfattning
| Datauppsättning/uppgiftstyp | Annoteringsmetod | Nyckelregel | AI-värde |
|---|---|---|---|
| Bilder på avföring | Polygonanteckning | Anteckna avföringen tätt runt synliga kanter | Stödjer avföringssegmentering och morfologianalys |
| Toalett handfat | Begränsande låda | Markera endast i den första giltiga bilden för varje besök | Hjälper modellen att lära sig bassängkontext och sceninramning |
| AOI-etiketter | Endast klassificering | Använd rätt scen-/händelseetikett utan objektannotering | Möjliggör scenförståelse och händelsekategorisering |
Utkomster
- Byggde en strukturerad annoteringspipeline över Över 700 000 hälso- och sjukvårdsrelevanta bilder
- standardiserad 3 distinkta arbetsflöden för segmentering, lokalisering och klassificering
- Aktiverad AI-träning för automatiserad avföringsdetektering och Bristol-skala-relaterad klassificering
- Stödde modellutveckling för gastrointestinal analys, hydreringskontext och arbetsflöden för sjukdomsprediktion
- Skapade en skalbar databas anpassad till en Mål för 95 % batchacceptans
Genom att kombinera leverans av stora volymer med exakt logik för märkning av medicinska bilder, hjälpte Shaip kunden att gå från råbildsregistrering till en produktionsklar databas för nästa generations automatiserade avföringsanalys. Projektet etablerade den struktur som behövs för att skala upp framtida AI-utveckling inom övervakning av matsmältningshälsa och förebyggande vårdapplikationer.
Shaip bidrog med den annoteringsprecision och operativa skala vi behövde för ett högspecialiserat AI-initiativ inom hälso- och sjukvården. Deras förmåga att hantera komplex avföringssegmentering, bassänglokalisering och AOI-klassificering i volym gav oss en stark grund för modellutveckling.
