在基于疫情雾云计算架构中革新医疗图像分析
提出一种名为 HealthFog 的集成深度学习的边缘计算框架,将其部署在自动心脏病分析的实际应用中,将医疗服务提供为雾计算服务,并使用 IoT 设备高效地管理心脏患者的数据。
Nov, 2019
使用改进的 DenseNet 架构,本研究对卷积神经网络在放射学诊断中的变革性能力进行了研究,重点关注其可解释性、有效性和伦理问题,并通过比较分析验证了它在特异性、敏感性和准确性方面的出色表现,同时指出了连续模型改进上的需求,团队合作和伦理考虑也被提出,以便在放射学诊断中负责任地部署卷积神经网络。
Nov, 2023
本文旨在利用边缘计算和集群联邦学习等技术进行医学中的智能化诊断,为缺乏先进诊断设备的偏远医疗中心提供安全的多模态数据。作者评估了该框架在 COVID-19 诊断方面的表现,并在 X 射线和超声数据集上实现了 F1 得分的显着提高。同时,作者还探讨了在隐私和延迟敏感的应用程序中部署机器学习所涉及的挑战、技术、工具和技巧。
Jan, 2021
本研究提出了一种基于微服务的物联网数据分析系统的方法,通过将实体组织成细粒度、松散连接和可重用的集合,满足隐私和性能要求。我们的方法依赖于联邦学习,可以提高疾病诊断的准确性同时保护数据隐私。此外,我们采用迁移学习来获得更高效的模型。通过使用超过 5800 个公开可用数据集中的肺部 X 光图像进行肺炎检测的实验,我们评估了我们方法的有效性。实验证明,相较于其他先进技术,我们的方法在肺炎识别上表现更好,展示了我们方法优秀的潜在检测性能。
Aug, 2023
该论文着重介绍了使用机器学习以增强 COVID-19 诊断中的医学影像学方法,例如深度学习可以在几分钟内无需人工干预准确地区分肺部的损伤。此外,机器学习可以辅助放射科医生做出更精确的临床决策,例如检测和区分不同呼吸系统感染以及在 CT 和 X 射线图像中分割感染,即使损伤的大小和形状不同。该文章批判性评估了在 CT 和 X 射线图像的分割、分类和检测中使用的机器学习方法,这些方法被广泛应用于临床和医院设置中以在各个方面详尽地呈现肺部情况。普遍预期这项技术将继续在医疗保健领域占据核心地位,并推动防疫工作的进一步进展。
Jan, 2024
本研究使用分层卷积网络构架和 ECOC 编码策略,提出一种通过 CXR 图像准确划分潜在 COVID-19 患者的方法,以增加检测能力并减轻压力。
Nov, 2020
本文评估了医疗成像和分析技术在 COVID-19 中的作用,并介绍了最新的人工智能 (AI) 技术,如 AI - 强化的图像采集和精准的感染区分,以支持医疗专家进行有效的决策和治疗。本文还着重于探讨如何整合 AI 技术,优化常见的 X 射线和计算机断层扫描 (CT) 等临床工具,从而更好地抗击 COVID-19。
Apr, 2020
使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术,在三个医学图像数据集上比较了它们的表现,并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较,在分类不同的解剖结构、所见和异常方面,我们的 Transformer 模型优于或更有效,比 CNN 基于的方法有所改进,建议将其用作算法开发的新基准算法。
Apr, 2023
展示了一种集成可靠、快速部署的先进 AI 系统,用于自动分析 CT 图像以检测 COVID-19 感染概率,并通过分类和分割组件减少医生检测时间,提高 COVID-19 检测效率。AI 系统还通过锚集相似性分配 3D CT 扫描的感染概率,提供解释性,协助医生及时确认和隔离感染患者。
Mar, 2024
通过将卷积神经网络(CNN)和可解释人工智能(XAI)相结合的综合框架,该研究在使用 CBIS-DDSM 数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示,CNN 和 XAI 的有效合作有助于推进乳腺癌的诊断方法,从而在临床设置中更无缝地集成先进的人工智能技术,并通过提高 AI 决策的可解释性,为医学专业人员和患者提供更好的协作。
Apr, 2024