উচ্চ-নির্ভুল মেডিকেল ইমেজ অ্যানোটেশনের মাধ্যমে এআই-চালিত মল বিশ্লেষণের গতি বৃদ্ধি
জানুন কীভাবে শাইপ নির্ভুল ইমেজ অ্যানোটেশনের মাধ্যমে মলের ছবির বিশ্লেষণ, স্মার্ট টয়লেট এবং স্বাস্থ্য পর্যবেক্ষণের জন্য কম্পিউটার ভিশন মডেল তৈরি করতে স্বাস্থ্যসেবা এআই টিমগুলোকে সাহায্য করে।
প্রজেক্ট সারসংক্ষেপ
স্বয়ংক্রিয় মল বিশ্লেষণের জন্য একটি এআই মডেল তৈরি করতে শুধু ছবি সংগ্রহই যথেষ্ট নয়। এর জন্য প্রয়োজন অত্যন্ত সামঞ্জস্যপূর্ণ ও চিকিৎসাগতভাবে প্রাসঙ্গিক লেবেলিং, যা মলের আকৃতি, পাত্রের প্রেক্ষাপট এবং পারিপার্শ্বিক বৈশিষ্ট্যগুলোকে নির্ভুলভাবে ধারণ করতে পারে।
ক্লায়েন্ট বাস্তব টয়লেট পরিবেশে তোলা মলের ছবি সম্বলিত একটি বৃহৎ আকারের চিত্র অ্যানোটেট করার জন্য শাইপ-এর সাথে অংশীদারিত্ব করেছে। এই প্রকল্পের জন্য একটি বহুস্তরীয় লেবেলিং কৌশল প্রয়োজন ছিল, যা পলিগন-ভিত্তিক মল অ্যানোটেশন, বেসিন বাউন্ডিং বক্স তৈরি এবং ক্লাসিফিকেশন-চালিত AOI লেবেলিং-কে একত্রিত করে।
চূড়ান্ত লক্ষ্য হলো একটি শক্তিশালী প্রশিক্ষণ ডেটাসেট তৈরি করা, যা মল শনাক্তকরণ, ব্রিস্টল স্টুল ক্লাসিফিকেশন, মূত্রত্যাগের প্রেক্ষাপট শনাক্তকরণ এবং ভবিষ্যৎ পরিপাক-স্বাস্থ্য বিষয়ক অন্তর্দৃষ্টির জন্য কম্পিউটার ভিশন মডেলগুলোকে সহায়তা করবে।
মূল পরিসংখ্যান
শেষ ব্যবহার
স্বাস্থ্যসেবা ও পরিপাকতন্ত্রের জন্য এআই-চালিত মল পরীক্ষা
ডেটা ভলিউম
700,000 + চিত্র
AOI শ্রেণিবিন্যাস
১০টি শ্রেণিবিন্যাস লেবেল
প্রকল্প টাইমলাইনে
নভেম্বর ২০২৩ থেকে চলমান
চ্যালেঞ্জ
- আলোর ভিন্নতা, শৌচাগারের অবস্থা এবং ছবির গঠন সত্ত্বেও মল বস্তুগুলোকে সুনির্দিষ্ট বহুভুজ সীমানার মধ্যে বিভক্ত করা নিশ্চিত করা।
- প্রতিটি ভিজিটে শুধুমাত্র প্রথম বৈধ ছবিটির ক্ষেত্রে ভিজিট-স্তরের লজিক প্রয়োগ করে বেসিন বাউন্ডিং বক্স লেবেলিং-কে প্রমিতকরণ করা।
- মল, মূত্র, প্রস্রাব, ফ্লাশিং, টয়লেট পেপার এবং ব্রিস্টল নম্বরের মতো লেবেল জুড়ে একটি বহু-শ্রেণী AOI লেবেলিং কর্মপ্রবাহ পরিচালনা করা।
- ৭০০,০০০-এরও বেশি ফাইলের বিশাল ইমেজ ভলিউম জুড়ে সামঞ্জস্য এবং থ্রুপুট বজায় রাখা।
- স্বাস্থ্যসেবা-ভিত্তিক এআই ব্যবহারের ক্ষেত্রগুলিকে সমর্থন করা, যেখানে অ্যানোটেশনের গুণমান সরাসরি পরবর্তী মডেলের নির্ভুলতাকে প্রভাবিত করে।
সমাধান
শাইপ প্রকল্পের প্রযুক্তিগত প্রয়োজনীয়তা অনুসারে একটি রেলপথ-কেন্দ্রিক টীকা সংযোজন কর্মপ্রবাহ ডিজাইন করেছেন।
ডেটা কৌশল
একটি কাঠামোগত অ্যানোটেশন ফ্রেমওয়ার্ক সংজ্ঞায়িত করা হয়েছে যা একটি সমন্বিত ইমেজ পাইপলাইন থেকে একাধিক মডেলের উদ্দেশ্য পূরণের জন্য সেগমেন্টেশন, অবজেক্ট লোকালাইজেশন এবং ক্লাসিফিকেশনকে একত্রিত করে।
মল টীকা
প্রান্তের বিবরণ, আকৃতি এবং টেক্সচার অক্ষুণ্ণ রাখতে প্রতিটি টুলের চারপাশ নিবিড়ভাবে ট্রেস করে সুনির্দিষ্ট পলিগন মাস্ক ব্যবহার করে দৃশ্যমান টুলের প্রতিটি অংশকে চিহ্নিত করা হয়েছে।
বেসিন বাউন্ডিং বক্স
জলের স্তর বিভাজনের পরিবর্তে বাউন্ডিং বক্স ব্যবহার করে টয়লেট বেসিনটি চিহ্নিত করা হয়েছিল। প্রতিটি পরিদর্শনের শুধুমাত্র প্রথম ছবিতে বেসিন বক্সগুলো প্রয়োগ করা হয়েছিল, যদি না ছবিটিকে উপেক্ষা বা রঙিন হিসেবে চিহ্নিত করা হতো।
AOI লেবেলিং
ছবিগুলোকে একটি নিয়ন্ত্রিত শ্রেণিবিন্যাসের অন্তর্ভুক্ত করা হয়েছে, যার মধ্যে রয়েছে: টয়লেট নয়, উপেক্ষা করুন, খালি, টয়লেট পেপার, ফ্লাশ করা, প্রস্রাব, মূত্রত্যাগ, মল, টয়লেট সাবান এবং ব্রিস্টল নম্বর।
গুণগত মান
৯৫% ব্যাচ গ্রহণযোগ্যতার মানদণ্ড পূরণের জন্য ডিজাইন করা পর্যালোচনা কর্মপ্রবাহ প্রয়োগ করা হয়েছে, যেখানে গুণমান যাচাইয়ের ক্ষেত্রে টীকার নির্ভুলতা, সঠিক শ্রেণি নির্ধারণ এবং পরিদর্শন-স্তরের লেবেলিং নিয়মগুলোকে কেন্দ্র করে কাজ করা হয়।
এআই সক্ষমতা
স্বয়ংক্রিয় মল বিশ্লেষণ, পরিপাকতন্ত্রের স্বাস্থ্য পর্যবেক্ষণ এবং ভবিষ্যৎ স্মার্ট-হেলথ অ্যাপ্লিকেশনের জন্য সেগমেন্টেশন, অবজেক্ট ডিটেকশন ও ক্লাসিফিকেশন পাইপলাইনকে সমর্থন করার উদ্দেশ্যে আউটপুট ডেটাসেটটিকে গঠন করা হয়েছে।
প্রকল্পের সুযোগ
| ডেটাসেট / টাস্কের ধরণ | টীকা পদ্ধতি | মূল নিয়ম | এআই ভ্যালু |
|---|---|---|---|
| মলের ছবি | বহুভুজ টীকা | দৃশ্যমান প্রান্ত বরাবর টুলটিকে ভালোভাবে চিহ্নিত করুন। | মল বিভাজন এবং রূপবিদ্যা বিশ্লেষণে সহায়তা করে |
| টয়লেট বেসিন | সীমান্ত বক্স | প্রতিটি পরিদর্শনের শুধুমাত্র প্রথম বৈধ ছবিতে চিহ্নিত করুন। | মডেলটিকে অববাহিকার প্রেক্ষাপট এবং দৃশ্যের কাঠামো শিখতে সাহায্য করে |
| AOI লেবেল | শুধুমাত্র শ্রেণিবিন্যাস | অবজেক্ট অ্যানোটেশন ছাড়াই সঠিক সিন/ইভেন্ট লেবেল প্রয়োগ করুন | দৃশ্য অনুধাবন এবং ঘটনা শ্রেণীকরণ সক্ষম করে |
ফলাফল
- জুড়ে একটি কাঠামোগত টীকা পাইপলাইন তৈরি করা হয়েছে ৭০০,০০০+ স্বাস্থ্য-সম্পর্কিত ছবি
- প্রমিত ৩টি স্বতন্ত্র কর্মপ্রবাহ বিভাজন, অবস্থান নির্ণয় এবং শ্রেণিবিন্যাসের জন্য
- এর জন্য এআই প্রশিক্ষণ সক্ষম করা হয়েছে স্বয়ংক্রিয় মল সনাক্তকরণ এবং ব্রিস্টল-স্কেল-সম্পর্কিত শ্রেণিবিন্যাস
- সমর্থিত মডেল উন্নয়ন গ্যাস্ট্রোইনটেস্টাইনাল বিশ্লেষণ, হাইড্রেশন পরিস্থিতি, এবং রোগ পূর্বাভাস কর্মপ্রবাহ
- একটি পরিমাপযোগ্য ডেটা ভিত্তি তৈরি করা হয়েছে যা একটি নির্দিষ্ট কাঠামোর সাথে সামঞ্জস্যপূর্ণ। ৯৫% ব্যাচ গ্রহণের লক্ষ্যমাত্রা
বিপুল পরিমাণে ডেটা সরবরাহ এবং নির্ভুল মেডিকেল-ইমেজ লেবেলিং লজিকের সমন্বয়ের মাধ্যমে শাইপ ক্লায়েন্টকে র ইমেজ ক্যাপচার থেকে পরবর্তী প্রজন্মের স্বয়ংক্রিয় মল বিশ্লেষণের জন্য একটি উৎপাদন-উপযোগী ডেটা ফাউন্ডেশনে যেতে সাহায্য করেছে। এই প্রকল্পটি পরিপাকতন্ত্রের স্বাস্থ্য পর্যবেক্ষণ এবং প্রতিরোধমূলক পরিচর্যার অ্যাপ্লিকেশনগুলিতে ভবিষ্যতের এআই উন্নয়নের প্রসারের জন্য প্রয়োজনীয় কাঠামো প্রতিষ্ঠা করেছে।
একটি অত্যন্ত বিশেষায়িত স্বাস্থ্যসেবা এআই উদ্যোগের জন্য আমাদের যে অ্যানোটেশন নির্ভুলতা এবং পরিচালনগত পরিধি প্রয়োজন ছিল, শাইপ তা নিয়ে এসেছিলেন। বিপুল পরিমাণে জটিল মল বিভাজন, বেসিন স্থানীয়করণ এবং AOI শ্রেণিবিন্যাস পরিচালনা করার তাদের সক্ষমতা আমাদের মডেল উন্নয়নের জন্য একটি শক্তিশালী ভিত্তি দিয়েছে।
