Jul, 2023

一份副本足矣：规模化的医学影像数据高效流式传输

PDF
TL;DRMIST 是一个开源框架，可以从一个高分辨率复制品流式传输医学图像，并在多个分辨率下进行操作，能够显著减少图像基础设施的低效性，同时对于深度学习应用程序也能够保持诊断质量。
medical imaging datasetsartificial intelligenceclinical decision supportmistprogressive resolution
发现论文，激发创造
  • 高效处理和传输的医学影像表达在多站点云中的应用

    本文提出一种基于多重数据结构的医学图像格式表示方法，它在医学图像中保留额外的元数据信息，并使用多层神经网络定义了自己的本体论来帮助分类医学图像中的对象。此外，研究人员还在云端使用 MapReduce 范例来改善数据处理速度，同时提出了一种基于去重的数据压缩方法以优化数据传输，该方案在多站点云环境中测试得到了验证。

    Apr, 2023

  • 智能流处理：医学图像分类和分割的高通量 AI 推理

    本文介绍了一种名为 “智能流媒体” 的新型框架，可用于加速、节约成本、优化带宽、提高 AI 推理在医学决策中的效率。通过在分类和分割方面取得了显著的优化，这一框架提供更快的周转时间、更少的数据传输成本以及更快的决策不良结果。

    May, 2023

  • 云磁共振成像系统：在 6G 和人工智能时代的应用

    Cloud-MRI 系统整合了分布式云计算、6G 带宽、边缘计算、联邦学习和区块链技术，旨在解决 MRI 数据存储安全、传输速度、AI 算法维护、硬件升级和协同工作的问题，从而提高诊断准确性和工作效率。

    Oct, 2023

  • 自监督下的稳健高效医学影像

    本文提出了 REMEDIS，采用大规模监督式迁移学习和自监督学习的通用结合方式，用于改善医学图像 AI 的鲁棒性和数据效率，并在各种医学成像任务中展示了显著的表现，说明 REMEDIS 可以加速医学成像 AI 的生命周期，从而有助于医学成像 AI 产生广泛的影响。

    May, 2022

  • 医疗数据共享的数据集精简技术

    本文提出了一种基于数据集精简的医疗数据共享方法，实验结果表明，即使使用匿名的胸部 X 光图像，我们的方法也可以实现高的检测性能。

    Sep, 2022

  • fastMRI：加速 MRI 的开放数据集和基准

    介绍了 fastMRI 数据集，旨在帮助人们通过提供一个自由获取的数据集和标准评估标准来加速通过机器学习方法进行 MR 图像重建的技术进步。

    Nov, 2018

  • 医学影像 AI 研发的一体化平台，涵盖数据采集、筛选、标注和预处理

    通过建立医学影像平台，利用收集的来自亚洲的医学影像数据，解决数据不平衡的问题，提供医学人工智能研发所需的数据并合并区块链技术用于数据安全。

    Mar, 2024

  • 使用一张真实图像的迭代式超分辨率生物医学成像

    本研究提出了一种有效训练基于深度学习的超分辨率模型的方法，通过利用自动生成的高分辨率图像，仅使用一个真实图像进行训练。这种方法可自主筛选图像，从而逐步生成优化的训练数据集，提高模型的性能和可视化效果，同时维护原始生物医学图像的特性，以无须真实世界人类数据的方式训练深度神经网络。

    Jun, 2023

  • MRI 数据处理的机器学习技术在不断扩展的规模下的应用

    医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

    Apr, 2024

  • 医学图像的大规模监督迁移学习

    通过研究 Kolesnikov 等人介绍的大规模预训练网络在胸部放射学、乳腺 X 线检查和皮肤科中的转移表现以及其在医学领域中的重要特性，我们发现，将自然图像转移到医学图像中是非常有效的，但只有在足够大的规模下才能实现。

    Jan, 2021