Technical Report: Automated Optical Inspection of Surgical Instruments

Dit technische rapport beschrijft een samenwerking met toonaangevende Pakistanese producenten om een automatisch optisch inspectiesysteem te ontwikkelen, dat gebruikmaakt van diepe leerarchitecturen zoals YOLOv8, ResNet-152 en EfficientNet-b4 om defecten in chirurgische instrumenten te detecteren en zo de patiëntveiligheid en productkwaliteit te waarborgen.

De kern

🏥 De Wachtende Wacht: Hoe AI de Chirurgische Instrumenten Controleert

Stel je voor dat chirurgische instrumenten (zoals scharen, pincetten en scalpels) de superhelden zijn in een ziekenhuis. Ze moeten perfect zijn. Als een superheld een krasje op zijn schild heeft of een boutje los zit, kan dat in een operatiekamer leiden tot een ramp. Een klein roestvlekje of een onzichtbare barstje kan infecties veroorzaken of ervoor zorgen dat een instrument breekt tijdens een ingreep.

Vroeger keken mensen met hun blote ogen naar deze instrumenten. Dat is als proberen een naald te vinden in een hooiberg, terwijl je moe bent, het licht niet goed is en je ogen branden. Mensen maken fouten. Soms zien ze een defect niet, en dat is gevaarlijk voor de patiënt.

Dit rapport vertelt het verhaal van hoe twee bedrijven uit Pakistan (Daddy D Pro en Dr. Frigz) samenwerken met een universiteit om een "digitale superoog" te bouwen. Dit oog is een kunstmatige intelligentie (AI) die nooit moe wordt en elk krasje ziet.

---

1. Het Probleem: De "Onzichtbare" Vijand

Pakistan is een wereldwijd centrum voor het maken van chirurgische instrumenten, net zoals Duitsland of de VS. Maar de markt is hard. Als een partij instrumenten defect is, kan de hele lading worden geweigerd en gaan miljoenen euro's verloren.

De huidige methode? Mensen kijken.

• Vergelijking: Het is alsof je een auto wilt kopen en de verkoper kijkt er alleen maar naar terwijl hij een kop koffie drinkt. Soms ziet hij een deukje niet.
• Gevolg: Een defect instrument in een ziekenhuis is als een sleutel die niet past in een slot, maar dan met levens als prijs.

2. De Oplossing: De "Digitale Superheld" (AOI)

De onderzoekers hebben een systeem gebouwd genaamd SurgScan. Dit is een soort slimme camera die foto's maakt van de instrumenten en ze direct analyseert.

• Hoe werkt het?
  Stel je voor dat je een foto maakt van een mes. De computer kijkt niet alleen naar het mes, maar doet twee dingen:
  1. Herkenning: "Ah, dit is een schaar!" (Net als wanneer je een vriend herkent in een drukke menigte).
  2. Inspectie: "Wacht even, ik zie een klein roestvlekje op de punt." (Net als een detective die een klein bewijsje vindt dat niemand anders zag).

3. De Training: Leren van de Meesters

Om deze computer slim te maken, hebben ze duizenden foto's nodig gehad. Ze hebben samen gewerkt met de fabrieken in Pakistan.

• De Dataset: Ze hebben een enorme foto-album gemaakt met 4.400 foto's. Sommige instrumenten waren perfect, andere hadden krassen, roest, gaten of barstjes.
• De "Oefenprik": De computer heeft deze foto's bekeken en geleerd: "Oké, als ik dit patroon zie, is het een defect. Als ik dit patroon zie, is het gewoon de vorm van het instrument."

4. De Slimme Strategie: Twee Stappen in plaats van Eén

In plaats van één grote, saaie computer die alles probeert te snappen, hebben ze een slimme truc gebruikt:

1. Stap 1: De computer zegt eerst: "Dit is een pincet."
2. Stap 2: Vervolgens schakelt hij een speciale expert in die alleen naar pincetten kijkt.

Vergelijking: Stel je voor dat je een auto wilt laten keuren. Je zou niet één persoon laten kijken naar de motor, de banden én de radio. Je zou een motor-expert, een banden-expert en een radio-expert hebben. Door voor elk instrument een "specifiek expert" te hebben, ziet de computer veel sneller en beter wat er mis is.

5. De Resultaten: De Winnaar is YOLO!

De onderzoekers hebben verschillende slimme algoritmes (denk aan verschillende soorten hersenen) getest om te zien welke het beste werkt. Ze hebben gekeken naar snelheid en nauwkeurigheid.

• De winnaar: Een model genaamd YOLOv8 (wat staat voor "You Only Look Once").
• Waarom? Het is razendsnel en extreem nauwkeurig. Het ziet 99% van de fouten, terwijl andere modellen soms twijfelen of te traag zijn.
• Vergelijking: Het is alsof je een sprinter hebt die ook nog eens een briljant detective is. Hij ziet alles in een flits.

6. Het Eindresultaat: De "SurgScan" App

Uiteindelijk hebben ze een web-applicatie gemaakt.

• Hoe ziet het eruit? Een medewerker in de fabriek of het ziekenhuis maakt een foto van een instrument met een camera.
• Wat gebeurt er? Binnen een seconde zegt de computer: "Goed! Geen defecten" of "Stop! Hier zit een barstje, gooi dit weg."
• Het voordeel: Geen vermoeide ogen, geen fouten door vermoeidheid, en patiënten zijn veiliger.

Conclusie

Dit project is als het geven van superkrachten aan de kwaliteitscontrole. Door samen te werken tussen universiteiten, fabrieken en technologie, zorgen ze ervoor dat de chirurgische instrumenten uit Pakistan niet alleen goedkoop zijn, maar ook perfect veilig.

Het is een stap voorwaarts waar elke patiënt profijt van heeft: een wereld waarin de gereedschappen van de artsen altijd 100% betrouwbaar zijn.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het rapport "Automated Optical Inspection of Surgical Instruments", geschreven in het Nederlands.

Technische Samenvatting: Geautomatiseerde Optische Inspectie van Chirurgische Instrumenten

1. Probleemstelling
De chirurgische instrumentenindustrie in Pakistan, met name in Sialkot, is een cruciale exportsector die jaarlijks miljoenen instrumenten levert. Ondanks de hoge vraag en de strikte kwaliteitsvereisten van internationale markten (zoals de EU en VS), staat de sector voor een groot probleem: de kwaliteitcontrole is momenteel grotendeels afhankelijk van manuele visuele inspectie.

• Nadelen van manuele inspectie: Dit proces is arbeidsintensief, vatbaar voor menselijke fouten door vermoeidheid, inconsistent en subjectief.
• Risico's: Defecten zoals corrosie, krassen, scheuren, gaten (pores) en vuil kunnen leiden tot ernstige patiëntschade, waaronder postoperatieve infecties (SSI), falen van de operatie en juridische consequenties voor fabrikanten.
• Behoefte: Er is een dringende noodzaak voor een schaalbare, consistente en snelle oplossing die defecten kan detecteren voordat instrumenten de fabriek verlaten, om zowel patiëntveiligheid als exportkansen te waarborgen.

2. Methodologie
Het project introduceert een Geautomatiseerde Optische Inspectie (AOI) systeem dat gebruikmaakt van deep learning en computer vision. De aanpak bestaat uit meerdere fasen:

• Dataverzameling en Cursatie:

  • Samenwerking met industriële partners Dr. Frigz International en Daddy D Pro leverde real-world data.
  • Er werd een dataset samengesteld van 4.414 afbeeldingen (2.738 defecte en 1.676 niet-defecte instrumenten).
  • De dataset omvat 11 verschillende instrumenttypes (o.a. scalpels, scharen, forceps, curettes) en vier defectcategorieën: corrosie, krassen, snijwonden en gaten/pores.
  • Beelden werden opgenomen onder gecontroleerde omstandigheden (Canon EOS 250D, uniforme belichting, groene achtergrond).

• Data Pre-processing en Augmentatie:

  • Om overfitting te voorkomen en de generalisatie te verbeteren, werden augmentatietechnieken toegepast: rotatie (90°, 180°, 270° en willekeurig ±20°), aanpassing van helderheid en contrast (±20%), toevoeging van Gaussisch ruis en onsharp masking.

• Model Architectuur (Twee-staps proces):

  • Stap 1: Instrument Classificatie: Eerst wordt het type instrument geïdentificeerd (bijv. schaar vs. pincet) met behulp van YOLOv8. Dit is essentieel omdat defecten per instrumenttype verschillend kunnen lijken.
  • Stap 2: Defect Classificatie: Vervolgens wordt een specifiek model gebruikt dat is getraind op dat specifieke instrumenttype om de defecten te detecteren. Deze gespecialiseerde aanpak vermindert valse positieven die kunnen ontstaan door de natuurlijke structuur van het instrument.

• Systeem Implementatie (SurgScan):

  • Een webapplicatie genaamd SurgScan is ontwikkeld met een 3-laags architectuur:
    • Frontend: React.js.
    • Backend: Django (Python) met REST API.
    • Database: PostgreSQL.
    • Beeldverwerking: OpenCV en Pillow voor voorverwerking.
  • Het systeem ondersteunt batch-verwerking, gebruikersbeheer en real-time inspectie.

3. Belangrijkste Bijdragen

• Industriële Samenwerking: Een unieke samenwerking tussen academische onderzoekers (FAST-NUCES) en toonaangevende Pakistaanse fabrikanten, wat resulteerde in een hoogwaardige, domeinspecifieke dataset.
• Gespecialiseerde Model-Architectuur: In plaats van één algemeen model, wordt een hiërarchische aanpak gebruikt (eerst instrument, dan defect) om de nauwkeurigheid te maximaliseren en de complexiteit van verschillende instrumentvormen te hanteren.
• Praktische Toepassing: De ontwikkeling van een werkend prototype (SurgScan) dat direct inzetbaar is in sterilisatie-eenheden en productielijnen, in plaats van alleen een theoretisch model.
• Openbare Dataset: Het creëren van een gestructureerde dataset voor chirurgische instrumenten en defecten, wat een zeldzame bron is voor dit specifieke onderzoeksgebied.

4. Resultaten
Er werd een vergelijkende analyse uitgevoerd tussen verschillende state-of-the-art modellen: EfficientNet-b4, ResNet-152, ResNeXt-101, YOLOv8 en YOLOv11.

• Beste Model: YOLOv8 bleek de superieure prestaties te leveren.
• Prestatiemetrics (voor Dressing Forceps als voorbeeld):
  • YOLOv8: Training Accuracy ~99,6%, Testing Accuracy ~99,58%, Precision ~99,83%, Recall ~99,61%, F1-Score ~99,72%, ROC-AUC ~1,00.
  • Vergelijking: Hoewel ResNet-152 en EfficientNet-b4 goede resultaten leverden (Accuracy >98%), waren ze minder efficiënt in real-time detectie en hadden ze een hogere rekenkosten. YOLOv8 bood de beste balans tussen snelheid en nauwkeurigheid.
• Conclusie: Het systeem kan defecten met bijna perfecte nauwkeurigheid detecteren en classificeren, wat aanzienlijk beter is dan traditionele methoden.

5. Betekenis en Impact

• Patiëntveiligheid: Door defecten (zoals micro-scheurtjes of corrosie) te detecteren die voor het blote oog onzichtbaar zijn, wordt het risico op postoperatieve infecties en complicaties aanzienlijk verlaagd.
• Economisch Voordeel: Voor Pakistaanse fabrikanten betekent dit minder afgekeurde batches, minder exportverlies en een versterkte reputatie op de wereldmarkt.
• Industriële Revolutie: Het project markeert een verschuiving van handmatige controle naar AI-gedreven kwaliteitsborging in de medische apparatuurproductie.
• Schaalbaarheid: De oplossing is ontworpen om te schalen voor hoge doorvoersnelheden in productielijnen en sterilisatiecentra, waardoor het een waardevol hulpmiddel is voor de globale gezondheidszorgketen.

Kortom, dit rapport demonstreert succesvol hoe geavanceerde computer vision-technieken (specifiek YOLOv8) kunnen worden ingezet om de kwaliteit en veiligheid van chirurgische instrumenten te garanderen, met directe toepasbaarheid in de Pakistaanse exportindustrie.