首页 > 传媒 > 关键词  > 人工智能AI技术最新资讯  > 正文

微美全息(NASDAQ:WIMI)开发Auto-AIX合成X射线图像分析

2023-05-22 17:16 · 稿源: 站长之家用户

当今医学领域面临着许多挑战,如复杂的疾病、日益增长的医疗成本、医疗保健不平等等问题。人工智能(AI)技术被认为是解决这些问题的有力工具之一。特别是,基于机器学习的算法可以应用于医学图像分析,例如在医学成像领域。医学成像已成为现代医疗保健的重要工具,使医生能够诊断和治疗各种疾病。医学成像被证明特别有用的一个领域是X射线图像的分析。然而,分析X射线图像的过程可能很耗时,并且需要大量的专业知识,这使其成为使用人工智能(AI)实现自动化的理想候选者。近年来,人们对开发用于X射线图像分析的人工智能算法越来越感兴趣,这种算法有可能提高诊断的速度和准确性,同时减少医疗专业人员的工作量。

据报道,微美全息(NASDAQ:WIMI)正在开发一种用于X射线图像分析的通用学习算法,用于X设想图像的分析,将其命名为自动人工智能X射线图像分析(Auto-AIX)。X射线图像分析是一个复杂的过程,涉及到各种特征的检测,如骨密度、器官形状和组织密度。传统上,这一过程是由医学专业人员手动执行的,他们利用自己的专业知识来识别和分析特征。然而,这种方法很耗时,而且可能会出现人为错误,从而导致误诊和患者预后不佳。

WIMI微美全息一直在探索使用人工智能算法来自动化X射线图像分析过程。这些算法旨在从X射线图像的大型数据集中学习,并可以识别人类专家难以或不可能检测到的模式和特征。通过自动化X射线图像分析过程,人工智能算法有可能提高诊断的速度和准确性,同时减少医疗专业人员的工作量。然而,开发用于X射线图像分析的有效人工智能算法需要大量多样的X射线图像数据集进行训练和验证。该数据集必须经过精心选择和注释,以确保人工智能算法能够准确识别图像特征。

WIMI微美全息开发的用于X射线图像分析的通用学习算法,旨在从一组不同的X射线图像中学习,使其适合在实际应用中使用。该算法基于深度神经网络架构,该架构使用大量多样的X射线图像数据集进行训练。数据集经过整理和注释,以确保算法能够准确识别感兴趣的特征,如骨密度、器官形状和组织密度。为了提高算法的泛化能力,实现了几种技术,如数据扩充和领域随机化。数据扩充包括对原始X射线图像应用一系列变换,如旋转、缩放和翻转,以创建更大、更多样的训练数据集。领域随机化包括向训练数据添加随机噪声和扰动,这有助于算法推广到新的和看不见的X射线图像。该算法被设计为在一系列硬件平台上运行,从传统的CPU到高性能的GPU。这使得它适合在现实环境中部署,因为在现实情况下硬件资源可能是有限的或可变的。

公开资料显示,微美全息(NASDAQ:WIMI)开发Auto-AIX的技术流程,包括数据的采集、生成、标注与通用学习算法。数据的采集、生成和注释是构建深度学习模型的关键。在医学成像领域,由于涉及到患者隐私和保密,真实数据的收集和使用面临许多限制。而Auto-AIX通过使用计算机生成的合成数据来规避这些限制。具体而言,它使用CT对X射线图像进行模拟,这使得合成数据具有逼真的外观和细节,从而提高了模型的准确性。

在WIMI微美全息开发的Auto-AIX中,生成合成数据的第 一步是创建一个医学模型,该模型可以使用CT扫描或体积手术工具模型。然后,通过在医学模型中注入噪声和变化,可以生成多个样本,这些样本涵盖了可能出现在真实数据中的各种情况和变化。最后,这些样本被注释,即通过手动标记它们的特征和疾病来进行注释。这些注释可以自动应用于所有其他合成数据,从而节省了大量的时间和人力成本。这个过程在Auto-AIX中被称为“域扩展”,因为它可以将合成数据域扩展到更广泛的数据集。

WIMI微美全息Auto-AIX使用基于通用学习的算法来构建深度学习模型。这种算法的优势在于它可以使用大量的合成数据进行训练,而不需要大量的真实数据。这意味着,即使在收集真实数据存在难度和限制的情况下,Auto-AIX也可以训练出高性能的深度学习模型。

具体而言,Auto-AIX使用领域随机化技术来构建基于通用学习的算法。这种技术的核心思想是通过在合成数据的外观和特征上引入随机性来提高模型的泛化能力。这种随机性可以是任意的,例如在合成数据中添加噪声、扰动、遮挡等。通过这种方式,Auto-AIX可以构建出具有较高泛化性能的深度学习模型。

为了评估Auto-AIX的性能,WIMI微美全息研究人员进行了一系列实验。在这些实验中,比较使用Auto-AIX合成数据训练的深度学习模型与使用真实数据训练的模型之间的性能差异。使用不同数量和类型的合成数据对模型性能的影响。

实验结果表明,使用SyntheX合成数据训练AI模型的结果表明,该方法可以获得与真实数据训练相当的性能,甚至在某些情况下可以超过真实数据训练。接下来,还需要将训练好的AI模型应用于真实的临床X射线图像数据,进行评估和部署。在将AI模型应用于真实数据之前,需要对真实数据进行预处理,以使其与合成数据具有相似的分布。这种预处理方法称为域适应或域转移。域转移方法的目标是将模型从一个源域(合成数据)转移到一个目标域(真实数据),使模型在目标域上的性能最 优。域适应方法的主要思想是通过对源域和目标域之间的分布差异进行建模,学习到一个可以在目标域上泛化的模型。

为在真实数据上应用AI模型,WIMI微美全息使用了一种称为“Adversarial Discriminative Domain Adaptation”(ADDA)的域适应方法。ADDA方法包括两个阶段:第 一个阶段是训练源域分类器和目标域分类器,以区分源域和目标域之间的差异;第二个阶段是训练一个领域适应器,将源域的特征转移到目标域,从而使模型在目标域上的性能最 优。使用了ADDA方法将模型从合成数据域转移到真实数据域。在进行域适应之后,AI模型在真实数据上的表现与在合成数据上的表现相当,这表明域适应方法有效。

此外,微美全息(NASDAQ:WIMI)的AI模型应用于虚拟的临床X射线图像数据,并进行了评估和部署。结果表明,该AI模型可以准确地识别出各种疾病和异常,包括肺炎、肺结节、肺部积液等。此外,该AI模型还可以进行定量测量,如肺部容积、结节大小等。总的来说,使用Auto-AIX合成数据训练AI模型,并使用ADDA方法进行域适应,可以在获得非常好的性能。这种方法可以大大加速X射线图像分析领域的研究和应用,为医疗保健领域带来更多的机会和挑战。

推广

特别声明:以上内容(如有图片或视频亦包括在内)均为站长传媒平台用户上传并发布,本平台仅提供信息存储服务,对本页面内容所引致的错误、不确或遗漏,概不负任何法律责任,相关信息仅供参考。站长之家将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。任何单位或个人认为本页面内容可能涉嫌侵犯其知识产权或存在不实内容时,可及时向站长之家提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明(点击查看反馈联系地址)。本网站在收到上述法律文件后,将会依法依规核实信息,沟通删除相关内容或断开相关链接。

  • 相关推荐
  • 微云全息(NASDAQ: HOLO)引领加密货币预测新纪元:HNFCS技术揭秘

    微云全息(NASDAQ:HOLO)开发了混合神经模糊控制系统(HNFCS),结合神经网络学习能力和模糊逻辑灵活性,能有效预测比特币等加密货币价格波动。该系统通过处理海量市场数据,动态调整预测模型,克服了传统方法在样本外预测和超时预测准确性方面的局限。HNFCS技术优势在于其自适应性和实时性,可扩展应用于多种金融场景,为投资者提供精准决策支持,有望成为加密货币市场的重要分析工具。

  • 微云全息(NASDAQ: HOLO)引领车联网数据安全新纪元:创新分片技术重塑区块链存储与计算

    随着车联网(IoV)技术发展,数据安全问题日益凸显。区块链技术凭借去中心化、不可篡改特性,在解决车联网数据安全需求方面展现出巨大潜力。微云全息(NASDAQ: HOLO)针对区块链存储压力大和跨分片通信效率低两大挑战,创新性地提出内容分片和节点分片两种解决方案。内容分片通过智能合约将数据分类存储在不同节点,降低单节点存储压力;节点分片则将网络节点分组协作,减少跨分片通信次数。这两种方法有效提升了系统性能和可扩展性,为车联网数据安全提供了新思路。

  • Meta 抢占AI霸权争夺加剧,微美全息(WIMI.US)布局产业生态应对市场竞争

    Meta斥资数十亿美元争夺AI领域主导权,包括从OpenAI挖走三名研究员,甚至开出1亿美元签约费。同时,Meta同意以148亿美元收购AI初创公司Scale AI 49%股份,这是其史上最大外部投资。中国AI领域也快速发展,已有433款大模型完成备案上线。专家指出,开源模式推动了大模型创新生态,形成"技术-数据-场景"循环迭代。微美全息(WIMI.US)通过搭建高性能AI算力基地,集成国际先进�

  • OpenAI披露GPT系列新进展,微美全息(WIMI.US)正加速AI技术融合与产业变革

    OpenAI创始人Sam Altman宣布将推出开源大模型,性能远超业界预期,其强大的本地运行能力将极大推动AI技术普及。同时透露GPT-5将于今夏面世,支持语音、图像、代码等多模态输入。AI模型成本持续下降,微美全息等企业加速布局"AI+大模型"创新应用。中金指出,未来AI发展将呈现两大趋势:垂直领域定制化Agent需求增长,以及高质量场景数据价值凸显。2025年被视为AI应用大规模落地元年,但技术发展需兼顾创新与安全。

  • 微云全息(NASDAQ: HOLO)推出创新区块链重建解决方案, 通过可验证秘密共享技术保障交易安全

    微云全息(HOLO)推出创新区块链重建方案,采用可验证秘密共享(VSS)技术解决许可区块链的安全隐患。该方案通过数据加密存储、改进共识机制和智能合约集成,确保在节点受损时仍能保持区块链完整性。VSS技术将密钥信息分散存储,需足够数量节点联合才能重建,防止单点故障。方案还设计了隐私保护机制,即使在不诚实重建情况下也能保护用户私钥。这一技术能快速响应攻击,允许用户独立重建,增强系统稳定性和用户信任,为加密市场带来更高安全性和稳定性。

  • 2025杭州国际人形机器人展会启幕,微美全息(WIMI.US)AI+具身智能产业跃迁新范式

    2025杭州国际人形机器人技术展览会将在浙江举办,聚焦人形机器人关键技术突破与产业化路径。作为国内首个专注人形机器人全产业链的专业展会,为期3天,汇聚全球200余家企业及专家,覆盖从零部件到应用服务的全产业链,展示仿生驱动、具身智能、脑机接口等前沿技术。特斯拉、阿里云等领军企业参展,分享技术产品与场景应用。摩根士丹利预测,2050年中国市场规模将达6万亿元,总量5900万台。微美全息等企业加速技术落地,推动产业升级。展会将成为行业风向标,促进人形机器人创新发展。

  • 苹果智能眼镜布局全面加速,Meta/微美全息产业生态协同撬动万亿市场

    苹果计划2025年推出搭载M5处理器的Vision Pro智能眼镜,2027年将发布主打拍摄和AI功能的Vision Air,以及更轻便的头显设备。彭博社透露苹果还在探索有线版Vision Pro。Meta与Ray-Ban合作的智能眼镜取得市场成功,即将推出高端版Hypernova眼镜,配备神经腕带控制器。微美全息积极布局智能眼镜领域,通过技术创新推动AR眼镜发展。随着AI技术进步,智能眼镜市场迎来爆发式增长,互联网巨头、硬件厂商纷纷入局,推动办公、影视、游戏等场景应用升级。

  • 英伟达Blackwell Ultra芯片商用落地,微美全息以“算力+开源”领航AI科技新程

    英伟达与CoreWeave合作推出新一代AI芯片Blackwell Ultra,该芯片已实现商业部署,采用液冷技术,包含72个GPU和36个CPU。Blackwell Ultra的AI内容生成能力是前代产品的50倍,预计今年批量出货。英伟达凭借高性能AI芯片近乎垄断市场,年利润超5000亿元,市值逼近4万亿美元,有望成为全球市值最高公司。微软推迟自研AI芯片发布,转向过渡性设计方案。微美全息专注AI芯片技术布局,构建多元化技术生态,推动产业协同,成为全球AI芯片竞赛重要参与者。当前AI产业进入大规模商业化关键阶段,算力需求持续高涨,推动企业向算力数智化迁移。消费电子领域,AI赋能传统智能终端,新型智能硬件结合AI创造增量需求,关注算力产业链技术创新配套机遇。

  • 微云全息(NASDAQ: HOLO)推出创新区块链治理博弈模型,强化网络安全防护

    微云全息(NASDAQ:HOLO)开发了新型区块链治理博弈模型(BGGM),通过去中心化网络设计有效防御攻击。该模型结合随机博弈理论和波动理论,分析攻击者行为模式,优化网络防护策略。研究显示,BGGM能提升区块链安全性和稳定性,为首次代币发行(ICO)和新链服务提供安全保障。微云全息将持续优化该模型,推动区块链技术发展,为用户带来更安全可靠的体验。

  • AI日报:阿里通义推Qwen-TTS模型;Cursor已支持网页和手机端;字节发布图像合成技术XVerse

    【AI日报】今日AI领域7大突破:1)阿里通义Qwen-TTS实现方言语音合成重大突破;2)Cursor发布Web版AI编程工具;3)字节XVerse技术实现多对象精准图像生成;4)NoteGen跨平台AI笔记工具革新知识管理;5)ManimML动画库可视化Transformer架构;6)TEN+Agent开源语音交互技术降低延迟;7)Chai-2抗体设计模型将药物研发周期缩短至两周。淘宝同时上线RecGPT推荐模型提升购物体验。