Larvixon-AI

Start projektu: kwiecień 2025 — obecnie

Rola: AI / Computer Vision Engineer

Współpraca: Uniwersytet Medyczny we Wrocławiu

Status: 🟢 Aktywny rozwój

Opis projektu

Larvixon-AI to system oparty o computer vision i deep learning, który automatycznie analizuje zachowania ruchowe larw Galleria mellonella po iniekcji wybranych patogenów bakteryjnych.

Sepsa jest jednym z najpoważniejszych problemów współczesnej medycyny, a szybka identyfikacja patogenu ma kluczowe znaczenie dla wdrożenia odpowiedniej terapii. Klasyczne metody diagnostyczne:

są czasochłonne (24–72 godziny),
wymagają zaawansowanego zaplecza laboratoryjnego,
nie zawsze pozwalają na szybkie podjęcie decyzji klinicznej.

Model Galleria mellonella umożliwia obserwację zmian behawioralnych po zakażeniu. Jednak dotychczasowa analiza była manualna, trudna do standaryzacji i ograniczona skalowalnością.

Projekt realizowany jest jako praca magisterska we współpracy z Uniwersytetem Medycznym we Wrocławiu.

Jak to działa

Larvixon-AI to pipeline analizy wideo:

Video ingestion — nagrania HD (25 FPS), różne warunki oświetleniowe
Warstwa Computer Vision — detekcja obiektów (larw), segmentacja i maskowanie, śledzenie pozycji w kolejnych klatkach
Warstwa analizy — obliczanie trajektorii, dystans, prędkość, kierunki, mapy ciepła aktywności
Dane i wizualizacje — eksport CSV, analiza statystyczna, wizualizacje wyników

Architektura została przygotowana pod dalszą integrację z modelami deep learning.

Co zrobiłem

Zaprojektowałem algorytm detekcji i śledzenia larw w wideo
Zaimplementowałem pipeline przetwarzania obrazu w OpenCV
Obsłużyłem różne warianty oświetlenia (góra / dół)
Wyznaczałem trajektorie i parametry kinematyczne ruchu
Przeprowadziłem analizę porównawczą grup:
- kontrolnych
- PBS
- zakażonych E. coli (różne stężenia)
Zautomatyzowałem zapis danych i generowanie wizualizacji
Przeanalizowałem wyniki pod kątem różnic behawioralnych