Blog

Jun 07, 2023

WiMi ha sviluppato un algoritmo di apprendimento generalizzato di Auto

PECHINO, 15 agosto 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Società"), fornitore leader mondiale di tecnologia Hologram Augmented Reality ("AR"), ha annunciato oggi che UN

PECHINO, 15 agosto 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Società"), fornitore leader mondiale di tecnologia Hologram Augmented Reality ("AR"), ha annunciato oggi che un algoritmo di apprendimento generalizzato dell'analisi delle immagini a raggi X è stato sviluppato per le immagini immaginate in X, denominandolo Analisi automatica delle immagini a raggi X dell'intelligenza artificiale (Auto-AIX).

L'analisi delle immagini a raggi X è un processo complesso che comporta il rilevamento di varie caratteristiche come la densità ossea, la forma degli organi e la densità dei tessuti. Tradizionalmente, questo processo veniva eseguito manualmente da professionisti medici che utilizzano la loro esperienza per identificare e analizzare le caratteristiche. Tuttavia, questo metodo richiede molto tempo e può essere soggetto a errori umani, portando a diagnosi errate e prognosi sfavorevole per il paziente.

WiMi ha esplorato l'uso di algoritmi di intelligenza artificiale per automatizzare il processo di analisi delle immagini a raggi X. Questi algoritmi sono progettati per apprendere da grandi set di dati di immagini a raggi X e possono riconoscere modelli e caratteristiche che sono difficili o impossibili da rilevare per gli esperti umani. Automatizzando il processo di analisi delle immagini a raggi X, gli algoritmi di intelligenza artificiale hanno il potenziale per aumentare la velocità e l'accuratezza della diagnosi riducendo al contempo il carico di lavoro degli operatori sanitari. Tuttavia, lo sviluppo di algoritmi di intelligenza artificiale efficaci per l’analisi delle immagini a raggi X richiede un set di dati ampio e diversificato di immagini a raggi X per l’addestramento e la convalida. Questo set di dati deve essere attentamente selezionato e annotato per garantire che l'algoritmo AI possa riconoscere accuratamente le caratteristiche dell'immagine.

WiMi ha sviluppato un algoritmo di apprendimento generalizzato per l'analisi delle immagini a raggi X progettato per apprendere da un insieme diversificato di immagini a raggi X per renderlo adatto all'uso in applicazioni del mondo reale. L’algoritmo si basa su un’architettura di rete neurale profonda addestrata utilizzando un set di dati ampio e diversificato di immagini a raggi X. I set di dati vengono raccolti e annotati per garantire che l'algoritmo identifichi accuratamente caratteristiche di interesse come la densità ossea, la forma degli organi e la densità dei tessuti. Per migliorare la capacità di generalizzazione dell'algoritmo, vengono implementate diverse tecniche come l'espansione dei dati e la randomizzazione del dominio. L'espansione dei dati consiste nell'applicare una serie di trasformazioni, come rotazione, ridimensionamento e capovolgimento, alle immagini radiografiche originali per creare un set di dati di addestramento più ampio e diversificato. La randomizzazione del dominio prevede l'aggiunta di rumore casuale e perturbazioni ai dati di addestramento, il che aiuta l'algoritmo a generalizzare su immagini a raggi X nuove e invisibili. L'algoritmo è progettato per funzionare su una vasta gamma di piattaforme hardware, dalle CPU convenzionali alle GPU ad alte prestazioni. Ciò lo rende adatto all'implementazione in ambienti reali in cui le risorse hardware possono essere limitate o variabili.

Auto-AIX include l'acquisizione, la generazione e l'annotazione dei dati con algoritmi di apprendimento generalizzato. L'acquisizione, la generazione e l'annotazione dei dati sono fondamentali per costruire modelli di deep learning. Nel campo dell’imaging medico, la raccolta e l’utilizzo di dati reali sono soggetti a numerose restrizioni dovute alla privacy e alla riservatezza dei pazienti. E Auto-AIX elude queste restrizioni utilizzando dati sintetici generati dal computer. Nello specifico, utilizza la TC per modellare le immagini a raggi X, conferendo ai dati sintetici un aspetto e un dettaglio realistici, migliorando così la precisione del modello.

In Auto-AIX, il primo passaggio nella generazione di dati sintetici consiste nel creare un modello medico, che può essere modellato utilizzando una TAC o uno strumento chirurgico. Quindi, inserendo rumore e variazioni nel modello medico, è possibile generare più campioni che coprono un'ampia gamma di situazioni e variazioni che possono apparire nei dati reali. Infine, questi campioni vengono annotati, ovvero etichettandoli manualmente con caratteristiche e malattie. Queste annotazioni possono essere applicate automaticamente a tutti gli altri dati sintetici, risparmiando così tempo e costi di manodopera significativi. Questo processo è chiamato "estensione del dominio" in Auto-AIX, poiché consente di estendere il dominio dei dati sintetici a una gamma più ampia di set di dati.