ഉയർന്ന കൃത്യതയുള്ള മെഡിക്കൽ ഇമേജ് വ്യാഖ്യാനത്തോടെ AI- പവർഡ് സ്റ്റൂൾ വിശകലനം ത്വരിതപ്പെടുത്തുന്നു
സ്റ്റൂൾ ഇമേജ് വിശകലനം, സ്മാർട്ട് ടോയ്ലറ്റുകൾ, കൃത്യമായ ഇമേജ് അനോട്ടേഷൻ എന്നിവയ്ക്കായി കമ്പ്യൂട്ടർ വിഷൻ മോഡലുകൾ നിർമ്മിക്കാൻ ഷൈപ് ഹെൽത്ത്കെയർ AI ടീമുകളെ എങ്ങനെ സഹായിക്കുന്നുവെന്ന് കണ്ടെത്തുക.
പ്രോജക്റ്റ് അവലോകനം
ഓട്ടോമാറ്റിക് സ്റ്റൂൾ വിശകലനത്തിനായി ഒരു AI മോഡൽ നിർമ്മിക്കുന്നതിന് ഇമേജ് ശേഖരണത്തേക്കാൾ കൂടുതൽ ആവശ്യമാണ്. സ്റ്റൂളിന്റെ ആകൃതി, തട സന്ദർഭം, സീൻ-ലെവൽ ആട്രിബ്യൂട്ടുകൾ എന്നിവ കൃത്യതയോടെ പകർത്തുന്ന വളരെ സ്ഥിരതയുള്ളതും ക്ലിനിക്കലി പ്രസക്തവുമായ ലേബലിംഗ് ഇതിന് ആവശ്യമാണ്.
യഥാർത്ഥ ടോയ്ലറ്റ് പരിതസ്ഥിതികളിൽ പകർത്തിയ മലം ഇമേജറി അടങ്ങിയ ഒരു വലിയ ചിത്രം വ്യാഖ്യാനിക്കുന്നതിനായി ക്ലയന്റ് Shaip-മായി പങ്കാളിത്തത്തിൽ ഏർപ്പെട്ടു. പോളിഗോൺ അടിസ്ഥാനമാക്കിയുള്ള മലം അനോട്ടേഷൻ, ബേസിൻ ബൗണ്ടിംഗ് ബോക്സ് സൃഷ്ടി, വർഗ്ഗീകരണ-ഡ്രൈവൺ AOI ലേബലിംഗ് എന്നിവ സംയോജിപ്പിച്ച് ഒരു മൾട്ടി-ലേയേർഡ് ലേബലിംഗ് തന്ത്രം ഈ പദ്ധതിക്ക് ആവശ്യമായിരുന്നു.
മലം കണ്ടെത്തൽ, ബ്രിസ്റ്റൽ മലം വർഗ്ഗീകരണം, മൂത്രമൊഴിക്കൽ സന്ദർഭ തിരിച്ചറിയൽ, ഭാവിയിലെ ദഹന-ആരോഗ്യ ഉൾക്കാഴ്ചകൾ എന്നിവയ്ക്കായി കമ്പ്യൂട്ടർ വിഷൻ മോഡലുകളെ പിന്തുണയ്ക്കുന്ന ഒരു ശക്തമായ പരിശീലന ഡാറ്റാസെറ്റ് സൃഷ്ടിക്കുക എന്നതാണ് ആത്യന്തിക ലക്ഷ്യം.
പ്രധാന സ്ഥിതിവിവരക്കണക്കുകൾ
ഉപയോഗം അവസാനിപ്പിക്കുക
ആരോഗ്യ സംരക്ഷണത്തിനും ഗ്യാസ്ട്രോഎൻട്രോളജിക്കും വേണ്ടി AI- പവർ ചെയ്ത മലം വിശകലനം
ഡാറ്റ വോളിയം
700,000+ ചിത്രങ്ങൾ
AOI വർഗ്ഗീകരണം
10 വർഗ്ഗീകരണ ലേബലുകൾ
പ്രൊജക്റ്റ് ടൈംലൈൻ
2023 നവംബർ മുതൽ നടക്കുന്നു
വെല്ലുവിളികൾ
- വ്യത്യസ്തമായ വെളിച്ചം, ടോയ്ലറ്റ് അവസ്ഥകൾ, ഇമേജ് കോമ്പോസിഷൻ എന്നിവ ഉണ്ടായിരുന്നിട്ടും മലം വസ്തുക്കൾ ഇറുകിയ പോളിഗോൺ അതിരുകളോടെ വിഭജിക്കപ്പെട്ടിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക.
- ഓരോ സന്ദർശനത്തിലും ആദ്യത്തെ സാധുവായ ചിത്രത്തിൽ മാത്രം വിസിറ്റ്-ലെവൽ ലോജിക് പ്രയോഗിക്കുമ്പോൾ ബേസിൻ ബൗണ്ടിംഗ് ബോക്സ് ലേബലിംഗ് സ്റ്റാൻഡേർഡൈസ് ചെയ്യുന്നു.
- മലം, മൂത്രം, മൂത്രമൊഴിക്കൽ, ഫ്ലഷിംഗ്, ടോയ്ലറ്റ് പേപ്പർ, ബ്രിസ്റ്റോൾ നമ്പർ തുടങ്ങിയ ലേബലുകളിലുടനീളം മൾട്ടി-ക്ലാസ് AOI ലേബലിംഗ് വർക്ക്ഫ്ലോ കൈകാര്യം ചെയ്യുന്നു.
- 700,000 ഫയലുകളിൽ കൂടുതലുള്ള വളരെ വലിയ ഇമേജ് വോള്യത്തിൽ സ്ഥിരതയും ത്രൂപുട്ടും നിലനിർത്തുന്നു.
- അനോട്ടേഷൻ ഗുണനിലവാരം ഡൗൺസ്ട്രീം മോഡൽ കൃത്യതയെ നേരിട്ട് ബാധിക്കുന്ന സാഹചര്യങ്ങളെ ആരോഗ്യ സംരക്ഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ള AI ഉപയോഗത്തിന് പിന്തുണയ്ക്കുന്നു.
പരിഹാരം
പദ്ധതിയുടെ സാങ്കേതിക ആവശ്യങ്ങൾക്കനുസൃതമായി റെയിൽവേ കേന്ദ്രീകരിച്ചുള്ള ഒരു വ്യാഖ്യാന വർക്ക്ഫ്ലോ ഷായിപ്പ് രൂപകൽപ്പന ചെയ്തു.
ഡാറ്റ തന്ത്രം
ഒരു ഏകീകൃത ഇമേജ് പൈപ്പ്ലൈനിൽ നിന്ന് ഒന്നിലധികം മോഡൽ ലക്ഷ്യങ്ങളെ പിന്തുണയ്ക്കുന്നതിനായി സെഗ്മെന്റേഷൻ, ഒബ്ജക്റ്റ് ലോക്കലൈസേഷൻ, വർഗ്ഗീകരണം എന്നിവ സംയോജിപ്പിക്കുന്ന ഒരു ഘടനാപരമായ വ്യാഖ്യാന ചട്ടക്കൂട് നിർവചിച്ചു.
മലം വ്യാഖ്യാനം
കൃത്യമായ പോളിഗോൺ മാസ്കുകൾ ഉപയോഗിച്ച്, അരികുകളുടെ വിശദാംശങ്ങൾ, ആകൃതി, ഘടന എന്നിവ സംരക്ഷിക്കുന്നതിനായി ഓരോ സ്റ്റൂൾ കഷണത്തിനും ചുറ്റും ഇറുകിയ ട്രെയ്സ് ഉപയോഗിച്ച് ദൃശ്യമായ മലം ഉദാഹരണങ്ങൾ വ്യാഖ്യാനിക്കുന്നു.
ബേസിൻ ബൗണ്ടിംഗ് ബോക്സ്
ജലനിരപ്പ് സെഗ്മെന്റേഷനു പകരം ഒരു ബൗണ്ടിംഗ് ബോക്സ് ഉപയോഗിച്ച് ടോയ്ലറ്റ് ബേസിൻ അടയാളപ്പെടുത്തി. ചിത്രം അവഗണിക്കുക അല്ലെങ്കിൽ നിറം എന്ന് അടയാളപ്പെടുത്തിയിട്ടില്ലെങ്കിൽ, ഓരോ സന്ദർശനത്തിന്റെയും ആദ്യ ചിത്രത്തിൽ മാത്രമേ ബേസിൻ ബോക്സുകൾ പ്രയോഗിച്ചിട്ടുള്ളൂ.
AOI ലേബലിംഗ്
നോൺ ടോയ്ലറ്റ്, ഇഗ്നോർ, എംപ്റ്റി, ടോയ്ലറ്റ് പേപ്പർ, ഫ്ലഷിംഗ്, മൂത്രം, മൂത്രമൊഴിക്കൽ, മലം, ടോയ്ലറ്റ് സോപ്പ്, ബ്രിസ്റ്റൽ നമ്പർ എന്നിവയുൾപ്പെടെ നിയന്ത്രിത വർഗ്ഗീകരണത്തിലേക്ക് ചിത്രങ്ങളെ തരംതിരിച്ചിരിക്കുന്നു.
ക്വാളിറ്റി അഷ്വറൻസ്
95% ബാച്ച് സ്വീകാര്യത പരിധി പാലിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്തിരിക്കുന്ന പ്രായോഗിക അവലോകന വർക്ക്ഫ്ലോകൾ, അനോട്ടേഷൻ ടൈറ്റ്നസ്, ശരിയായ ക്ലാസ് അസൈൻമെന്റ്, വിസിറ്റ്-ലെവൽ ലേബലിംഗ് നിയമങ്ങൾ എന്നിവയിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചുള്ള ഗുണനിലവാര പരിശോധനകൾ.
AI പ്രാപ്തമാക്കൽ
ഓട്ടോമേറ്റഡ് സ്റ്റൂൾ വിശകലനം, ദഹന ആരോഗ്യ നിരീക്ഷണം, ഭാവിയിലെ സ്മാർട്ട്-ഹെൽത്ത് ആപ്ലിക്കേഷനുകൾ എന്നിവയ്ക്കായി സെഗ്മെന്റേഷൻ, ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ, ക്ലാസിഫിക്കേഷൻ പൈപ്പ്ലൈനുകൾ എന്നിവയെ പിന്തുണയ്ക്കുന്നതിനായി ഔട്ട്പുട്ട് ഡാറ്റാസെറ്റ് ഘടനാപരമായി നിർമ്മിച്ചു.
പദ്ധതി വ്യാപ്തി
| ഡാറ്റാസെറ്റ് / ടാസ്ക് തരം | വ്യാഖ്യാന രീതി | കീ റൂൾ | AI മൂല്യം |
|---|---|---|---|
| മലം ചിത്രങ്ങൾ | ബഹുഭുജ വ്യാഖ്യാനം | സ്റ്റൂളിന്റെ അരികുകൾ വ്യക്തമായി കാണുന്ന രീതിയിൽ അടയാളപ്പെടുത്തുക. | മലം വിഭജനത്തെയും രൂപാന്തര വിശകലനത്തെയും പിന്തുണയ്ക്കുന്നു |
| ടോയ്ലറ്റ് ബേസിൻ | ബൗണ്ടിംഗ് ബോക്സ് | ഓരോ സന്ദർശനത്തിന്റെയും ആദ്യത്തെ സാധുവായ ചിത്രത്തിൽ മാത്രം അടയാളപ്പെടുത്തുക. | ബേസിൻ സന്ദർഭവും സീൻ ഫ്രെയിമിംഗും പഠിക്കാൻ മോഡലിനെ സഹായിക്കുന്നു. |
| AOI ലേബലുകൾ | വർഗ്ഗീകരണം മാത്രം | ഒബ്ജക്റ്റ് അനോട്ടേഷൻ ഇല്ലാതെ ശരിയായ രംഗം/ഇവന്റ് ലേബൽ പ്രയോഗിക്കുക. | രംഗ ധാരണയും ഇവന്റ് വർഗ്ഗീകരണവും പ്രാപ്തമാക്കുന്നു |
ഫലങ്ങൾ
- ഒരു ഘടനാപരമായ വ്യാഖ്യാന പൈപ്പ്ലൈൻ കുറുകെ നിർമ്മിച്ചു ആരോഗ്യ സംരക്ഷണവുമായി ബന്ധപ്പെട്ട 700,000+ ചിത്രങ്ങൾ
- സ്റ്റാൻഡേർഡ് 3 വ്യത്യസ്ത വർക്ക്ഫ്ലോകൾ വിഭജനം, പ്രാദേശികവൽക്കരണം, വർഗ്ഗീകരണം എന്നിവയ്ക്കായി
- ഇതിനായി AI പരിശീലനം പ്രാപ്തമാക്കി ഓട്ടോമേറ്റഡ് സ്റ്റൂൾ ഡിറ്റക്ഷനും ബ്രിസ്റ്റൽ-സ്കെയിലുമായി ബന്ധപ്പെട്ട വർഗ്ഗീകരണവും
- പിന്തുണയ്ക്കുന്ന മോഡൽ വികസനം ദഹനനാള വിശകലനം, ജലാംശം സന്ദർഭം, രോഗ പ്രവചന വർക്ക്ഫ്ലോകൾ
- a-യുമായി വിന്യസിച്ചിരിക്കുന്ന ഒരു സ്കെയിലബിൾ ഡാറ്റാ ഫൗണ്ടേഷൻ സൃഷ്ടിച്ചു 95% ബാച്ച് സ്വീകാര്യത ലക്ഷ്യം
ഉയർന്ന അളവിലുള്ള ഡെലിവറിയും കൃത്യമായ മെഡിക്കൽ-ഇമേജ് ലേബലിംഗ് ലോജിക്കും സംയോജിപ്പിച്ചുകൊണ്ട്, അടുത്ത തലമുറ ഓട്ടോമേറ്റഡ് സ്റ്റൂൾ വിശകലനത്തിനായി റോ ഇമേജ് ക്യാപ്ചറിൽ നിന്ന് പ്രൊഡക്ഷൻ-റെഡി ഡാറ്റ ഫൗണ്ടേഷനിലേക്ക് മാറാൻ ഷൈപ് ക്ലയന്റിനെ സഹായിച്ചു. ദഹന ആരോഗ്യ നിരീക്ഷണത്തിലും പ്രതിരോധ പരിചരണ ആപ്ലിക്കേഷനുകളിലും ഭാവിയിലെ AI വികസനം അളക്കുന്നതിന് ആവശ്യമായ ഘടന ഈ പ്രോജക്റ്റ് സ്ഥാപിച്ചു.
വളരെ സ്പെഷ്യലൈസ്ഡ് ആയ ഒരു ഹെൽത്ത്കെയർ AI സംരംഭത്തിന് ആവശ്യമായ അനോട്ടേഷൻ പ്രിസിഷനും പ്രവർത്തന സ്കെയിലും Shaip കൊണ്ടുവന്നു. സങ്കീർണ്ണമായ മലം വിഭജനം, തട പ്രാദേശികവൽക്കരണം, അളവിൽ AOI വർഗ്ഗീകരണം എന്നിവ കൈകാര്യം ചെയ്യാനുള്ള അവരുടെ കഴിവ് മോഡൽ വികസനത്തിന് ഞങ്ങൾക്ക് ശക്തമായ അടിത്തറ നൽകി.
