Введение в проблему

Компания «Технологика» в сотрудничестве с healthcare-стартапом разработала мобильное приложение, использующее искусственный интеллект для анализа цветов медицинских тест-полосок. Основная задача — обеспечить точную интерпретацию показателей мочи, что является сложной задачей из-за вариативности цветов на фотографиях, вызванной различными условиями освещения и характеристиками камер.

Подход к разработке

Проект был разбит на несколько ключевых этапов для систематического решения поставленной задачи:

Обнаружение ArUco-маркеров для выравнивания изображения и коррекции перспективы.
Цветовая калибровка изображения — самый критический этап.
Поиск контуров реагентных квадратов на тест-полоске.
Сопоставление цвета каждого квадрата с эталонными значениями.
Тестирование и итеративное улучшение алгоритма.

Ключевые вызовы и решения

В процессе разработки команда столкнулась с несколькими значительными трудностями, для каждой из которых было найдено эффективное решение.

1. Выбор метода калибровки цветов

Изначально был протестирован метод калибровки по совпадению гистограмм, однако он давал неудовлетворительные результаты, особенно на светлых оттенках. В качестве альтернативы была применена регрессия по методу наименьших квадратов (PLS regression). Этот подход позволил подогнать RGB-значения калибровочных цветов на фотографии к заданным эталонным значениям, что привело к достижению точности в 90%.

2. Проблемы с неоновыми оттенками

Выяснилось, что камеры мобильных телефонов плохо передают некоторые цвета, в частности неоновые и светло-розовые оттенки, которых не было на первоначальной калибровочной карте. Проблема была решена путем разработки новой калибровочной карты, включающей проблемные цвета. Это позволило повысить точность на синтетических данных до 97%.

3. Переход от синтетических данных к реальным

Реальные тест-полоски, в отличие от плоских синтетических тестов, имеют объем, текстуру и блики, а также низкий контраст между светлыми квадратами и белым фоном. Стандартный поиск контуров через OpenCV оказался неэффективным. Решением стал метод определения границ на основе дисперсии, который ищет оптимальное положение квадратов путем минимизации перепада цвета внутри них.

4. Влияние освещения

Тестирование показало сильную зависимость точности от освещения: 75% без вспышки и до 90% со вспышкой. Чтобы стабилизировать результаты, в приложение было добавлено уведомление для пользователя с рекомендацией использовать вспышку при фотографировании.

Результаты и планы на будущее

Разработанная модель была успешно интегрирована в мобильное приложение и в настоящее время проходит тестирование на ограниченной аудитории. Достигнутая точность распознавания составляет 85-90%. В планах на будущее — дальнейшее совершенствование алгоритма путем выбора оптимальной цветовой метрики (RGB, HSV, LAB и др.) для каждого реагента индивидуально. Для этого требуется сбор большого объема данных с разнообразными клиническими случаями.

Источник: https://habr.com/ru/articles/763224/

Кейс: ИИ для анализа медицинских тест-полосок

Похожие статьи

Поделиться в соц. сетях

Комментарии