Oct, 2023

面向延迟敏感的远程医疗应用的智能 DRL-Based 自适应兴趣区域

PDF
TL;DR本文提出了一种深度强化学习模型，该模型根据预估吞吐量智能地调整感兴趣区域的大小和非感兴趣区域的质量，用以降低视频传输时的延迟，通过延迟和结构相似性指数的比较发现，该模型能够将延迟减少 13% 并保持整体质量在可接受范围内，从而为远程医疗应用带来有价值的改进。
telemedicine applicationsimage compressionregion of interestdeep reinforcement learninglatency
发现论文，激发创造
  • 智能反射面辅助 D2D 通信的深度强化学习

    本文提出了一个基于深度强化学习的方法，用于解决智能反射面支持下的设备对设备通信网络和的和速率优化问题。通过优化发射功率和相位转换矩阵，模拟结果表现优异。

    Aug, 2021

  • 基于位置感知模仿环境的深度强化学习在 RIS 辅助下的毫米波 MIMO 系统中的应用

    本文提出了一种基于位置感知仿真环境的深度强化学习算法，用于协同波束形成设计的可重构智能表面 (mmWave) 多输入多输出系统中，仿真结果表明所提出的算法具有更为鲁棒的性能。

    May, 2022

  • 医学影像中的深度强化学习：文献综述

    这篇论文综述了深度强化学习在医学成像中的应用，分别从深度强化学习的基础知识、医学成像领域的应用及未来展望等方面进行了解析。

    Mar, 2021

  • 基于人工智能的辅助工具开发与临床评估，用于提升远程医疗照片质量

    在 COVID-19 疫情期间，远程医疗使用得到加速，并且皮肤病是常见的使用案例。为了解决患者拍摄的照片质量差的问题，我们开发了 TrueImage 2.0，一种人工智能（AI）模型，用于评估患者的远程医疗照片质量，并提供实时反馈以改进照片质量。

    Sep, 2022

  • 结构增强的深度强化学习在最优传输调度中的应用

    本文研发了一种结构增强的深度强化学习算法用于最小化远程估计均方误差，实现在多传感器远程估计系统的最优调度，该算法可以比基准算法节省 50％的训练时间并将远程估计均方误差降低 10％至 25％。

    Nov, 2022

  • 多环境生命周期深度强化学习在医学成像中的应用

    开发了一种基于有选择性经验重播的终身深度强化学习框架 SERIL，用于在不断变化的医学成像环境中持续学习新的任务，用于定位脑 MRI 中的五个解剖标志，相比于两个基线设置，取得了卓越的表现。

    May, 2023

  • 基于云的联邦学习框架用于 MRI 分割

    本研究提出了一种面向农村医疗机构的脑组织分割新框架，采用深度强化学习环境与本地部署的细化模型相结合。该框架通过有限数据集的训练，验证了其在多样性场所的分割准确性，使得平均准确率达到 92%。

    Mar, 2024

  • 医学影像的远距离领域迁移学习

    本研究提出了一种远程领域转移学习方法，通过应用该方法于 COVID-19 的肺 CT 影像数据，结合 Reduced-size Unet Segmentation 模型和 Distant Feature Fusion 分类模型，成功实现了高效且准确的 COVID-19 诊断。

    Dec, 2020

  • 一种动态训练和适应深度强化学习模型于不同、低计算及不断变化的放射学部署环境的框架

    本文提出了三种图像压缩和去噪算法，以便将这些模型用于选择性体验重演的终身强化学习。经过测试，最大熵图像核心得到了最佳性能。

    Jun, 2023

  • 机器人辅助下口腔气管插管的仿真到真实分割

    本文提出了一种基于虚拟环境生成口咽器官数据，采用 IoU-Ranking Blend (IRB) 和风格转移技术的区域自适应 Sim-to-Real 方法进行影像分割的方法，实验结果表明，该方法在域自适应模型上具有卓越的性能，可以提高分割精度和训练稳定性，具有广阔的机器人辅助插管手术和智能手术导航应用潜力。

    May, 2023