Pixelabsは、Ultralytics YOLO自動化により、95%のリコール率を達成しました

今日でも、多くの産業、運用、研究のワークフローでは、プロセスの確認やパターンの発見のために、依然として人が手作業で画像を確認することに依存しています。データ量が増加するにつれ、この方法はすぐに非効率的になり、一貫性を欠き、拡張が困難になります。

これは、アルツハイマー病の早期発見を目的とした網膜画像診断のような研究現場において特に当てはまります。こうした場面では、画像内の微細な兆候を特定することが困難で、時間を要する作業となるからです。

Pixelabsは、リアルタイムの画像・動画分析のために設計されたビジュアルAIプラットフォーム「Pixelabs AI-Engine」を通じて、この課題の解決を支援します。Ultralytics YOLO などのコンピュータビジョンモデルを活用することで、このプラットフォームはビジュアルワークフローの自動化、一貫性の向上、および分析の拡張を容易にします。

コンピュータビジョンを活用して実世界のワークフローを自動化する

Pixelabsは、企業がコンピュータビジョンを活用して既存のプロセスを自動化・改善できるようにするビジュアルAIソリューションを開発しています。マドリードに本社を置き、バルセロナと英国にオフィスを構える同社は、あらゆる業界で活用できる実用的なAIツールの開発に注力しています。

特に、同社のプラットフォーム「Pixelabs AI-Engine」は、物体検出、欠陥識別、表面分析、光学文字認識（OCR）などのタスクにおいて、画像や動画のリアルタイム分析を可能にします。これらの機能により、ユーザーは視覚データをより効率的に処理でき、手作業による確認への依存度を低減できます。

このプラットフォームは、既存のシステムにシームレスに統合できるよう設計されており、業務に支障をきたすことなく、組織がコンピュータビジョンを導入しやすくなっています。この柔軟性により、Pixelabsは幅広いユースケースに対応し、要件の拡大に合わせてソリューションを拡張することが可能です。

コンピュータビジョンの統合と拡張における課題

多くの業界では、日々の業務が依然として手作業によるワークフローや限定的な自動化に依存しています。オペレーター、エンジニア、研究者は、手作業で画像を確認し、結果を検証し、複数のツールにまたがってデータを管理することがよくあります。 

その結果、プロセスの処理速度が低下し、標準化が困難になり、特にデータ量が増加するにつれて不整合が生じやすくなります。企業がコンピュータビジョンの導入を検討する場合でも、その移行は必ずしも容易ではありません。 

AIを既存のシステムに統合するには、確立されたワークフローの変更、新たなインフラの構築、あるいは追加のエンジニアリング作業が必要になる場合があります。そのため、多くのソリューションは、長期的にスケールアップしたり維持したりすることが困難です。

例えば、アルツハイマー病の早期発見を目的とした網膜画像診断のような研究環境では、こうした課題はさらに複雑になります。研究者は、detect 微細な特徴をdetect 、大規模な画像データセットを管理し、さまざまな条件下でも結果の一貫性を確保する必要があります。

‍

分析、データ管理、および出力処理を効率的に行う方法がなければ、これらのワークフローを拡張し、信頼性の高い結果を維持することは困難になります。

Ultralytics YOLO を用いた網膜画像解析の自動化

Pixelabsは、Ultralytics YOLO Pixelabs AI-Engineに統合することで、これらの課題に取り組んだ。このプラットフォームは同社のビジュアルAIソリューションの中核を担っており、既存のワークフローを妨げることなく、さまざまなアプリケーション間でリアルタイムの画像・動画分析をよりシームレスに実行できるようにしている。

物体や欠陥の検出、表面やテクスチャの分析、カラーマネジメント、OCRなど、幅広いタスクに対応しています。ハードウェアに依存せず、APIを介して統合されるように設計されているため、さまざまな環境に展開し、拡張することが可能です。

このアプローチは、CIBIRのアルツハイマー病研究チームとの最近の共同研究において採用され、Pixelabsは網膜画像を用いてマウスにおけるアルツハイマー病の早期発見を支援するシステムを開発しました。その目的は、アミロイドβの沈着など、疾患の初期段階を示す可能性のある微細な兆候を特定することでした。

このため、Pixelabsはデータストレージ、画像処理、およびユーザーインターフェースを連携させるワークフローを構築しました。各研究室専用の眼底撮影装置で撮影された眼底画像は、まずセキュア・ファイル転送プロトコル（SFTP）を介して転送され、一元管理システムに保存されるため、大規模なデータセットの管理やアクセスが容易になります。

一貫した結果を得るために、画像の画質や照明条件の違いに対応するため、前処理が施されます。これにより、システムはさまざまなサンプルや条件下でも精度を維持することができます。

その後、画像は、カスタムトレーニングを施したビジョンAIモデルなどを用いて分析されます Ultralytics YOLOv8 モデルなど、ビジョンAIモデルを用いて分析されます。YOLOv8 の中規模および大規模なバリエーションが、性能と精度のバランスを取るためにYOLOv8 。 

このパイプラインでは、Ultralytics YOLO を用いて物体検出と画像分類を行い、網膜画像内からアミロイドβ沈着などの小さな関心領域を直接特定・位置特定しています。

‍

最後に、結果はウェブベースのプラットフォームを通じて提示されます。ユーザーはこのプラットフォーム上で画像をアップロードし、年齢、性別、表現型などの属性でデータをフィルタリングし、検出された特徴と信頼度スコアを併せて確認することができます。これにより、生の画像データから明確で実用的な知見へと導くプロセスがより簡単になります。

なぜUltralytics YOLO モデルを選ぶのか？

Pixelabsにとって、Ultralytics YOLO まさにうってつけのものでした。これは、さまざまなユースケースに迅速に適応できるコンピュータビジョンソリューションを構築するための、実用的かつ柔軟な基盤を提供してくれます。トレーニングや微調整が容易なため、チームはシステムの再設計を行うことなく、より迅速に反復開発を行い、新たな要件に対応することが可能になります。

この柔軟性は、開発スピードに直接的な影響を与えました。YOLO、Pixelabsは開発サイクルを短縮し、ソリューションをより迅速に本番環境へ移行させることができ、新規アプリケーションの市場投入までの時間を短縮しました。同時に、モデルはより正確で一貫性のある結果を提供しました。 

最大95%の再現率を実現しつつ、効率を向上させる

Ultralytics YOLO Pixelabs AI-Engineに統合した結果、分析性能が明らかに向上しました。アルツハイマー病の研究事例では、システムは約90%のリコール率を達成し、病状の進行に伴い指標がより明確になるにつれて、最大95%まで上昇しました。

これにより、研究者たちは大規模な画像データセット全体において、アミロイドβ沈着などのdetect 特徴をより確実にdetect できるようになった。その結果、分析の一貫性が高まり、ばらつきが減少したほか、重要な指標を見逃さないよう確保することができた。

このユースケース以外にも、Pixelabsは様々な用途で同社のソリューションを利用する顧客から、一貫して好評を得ています。ユーザーからは、業務プロセスの遂行方法、特に効率性と信頼性の面で改善が見られたと評価されています。 

その効果は具体的な利用ケースによって異なりますが、これはプラットフォームの柔軟性と、さまざまな運用ニーズに適応する能力を反映したものです。全体として、これらの機能強化により、大規模な視覚データの管理と分析が容易になり、より信頼性の高い成果と、より効率的なワークフローの実現が支援されています。

業界を横断してビジュアルAIを推進する

Pixelabsは、新たなユースケースや業界に向けて、自社のビジュアルAIプラットフォームの機能拡充を続けています。アルツハイマー病の検出といった研究用途での実績を基盤に、同社チームはモデルの改良に注力するとともに、Ultralytics YOLO などの技術を活用して、視覚分析のさらなる進化に取り組んでいます。

Pixelabsは、技術の継続的な改善を通じて、組織がプロセスをより効果的に自動化し、より幅広い実業務のワークフローにコンピュータビジョンを活用できるよう支援することを目指しています。

御社のワークフローの効率化にご興味はありませんか？Vision AIの詳細については、当社の GitHubリポジトリをご覧ください。YOLO 、医療分野のAIや小売業界のコンピュータビジョンといった分野で、どのようにイノベーションを推進しているかをご確認ください。YOLOを実際に試してみたい方は、当社のライセンスプランがお客様のプロジェクトをどのようにサポートできるかをご確認ください。