XiaoMi-AI文件搜索系统
World File Search System前段
眼病领域的人工智能：最新发展、应用和调查
人工智能 (AI) 已开始应用于临床支持系统的医学诊断 [1]。人工智能在眼科领域的应用引起了人们对诊断各种眼科疾病的极大兴趣，这些疾病传统上很微妙且/或被认为难以被临床专家准确诊断 [2]。具体而言，当人工智能应用于眼底镜检查、光学相干断层扫描 (OCT) 和视野检查时，它可以整合最近开发的技术，以协助眼科医生进行准确诊断，在检测角膜和视网膜异常方面实现强大的分类性能 [3]。例如，人工智能可以用于各种眼部图像，作为筛查、诊断和监测初级保健前后段患有主要眼部疾病患者的可行解决方案 [4]。此外，借助眼科图像中的深度学习 (DL) 方法，可以通过观察视网膜扫描来检查各种疾病，以有效检测黄斑和脉络膜异常、出血、血管缺损和青光眼 [5]。换句话说，与眼科专家相比，DL 架构用于学习识别眼科中的各种眼部疾病，以提高诊断率，并获得临床可接受的性能 [6]。因此，AI 可以有效地作为患者和医生的可靠安全平台，并作为及时判断结果的辅助工具；这不仅可以减少误诊的可能性，还可以通过加快有效治疗来改善患者体验 [7]。此外，许多自动化眼部疾病筛查和分析医疗设备也已作为硬件仪器和测量工具成功应用于临床实践，可与 AI 算法相结合 [8]。除 OCT 外，眼科诊断设备还可细分为验光仪、角膜地形图系统（机器）、视网膜超声系统、眼压计等[9]。例如，视力筛查可以通过使用光学筛查仪和自动验光仪进行——前者使我们能够识别出患弱视的风险，例如眼球中层混浊、眼位和眼睑下垂，后者可以检测出可能导致视力下降和弱视的风险因素和眼部疾病[10]。因此，借助精准医疗设备和自动化仪器，人工智能一旦与传统的诊断和治疗方法和方案结合全面实施，就可以减少传统的低效率或障碍，并提高眼科的疗效和安全性。本期特刊旨在通过探索最新发展、应用和研究评论来强调该领域的上述趋势（https://www.mdpi.com/journal/diagnostics/special_issues/AI_Eye）。机器学习和深度学习等人工智能方法已显示出在筛查、检测、诊断和监测常见眼部疾病，不仅用于各种临床实践，还用于眼科基础研究。特刊共收录 11 篇研究文章，研究眼部结构前段（如角膜）和后段（如视网膜）的眼部疾病。
旨在利用AI（人工智能）技术改善河流监测......
然而，对于人或黑色和绿色垃圾袋没有任何反应。因此，我们决定进行一项研究，以提高夜间检测精度。 为了提高检测精度，我们决定使作为检测目标的图像更清晰。为了提高可视性，可以对设备本身进行改进或更换，例如安装图像锐化装置或引入可以夜间监控的红外摄像机。但缺点是每台初始投资为数十万日元至数百万日元。另一方面，有一种方法使用图像处理技术来锐化现有闭路电视摄像机拍摄的图像。该方法的模型构建成本为数万日元至数十万日元，通过将其纳入使用 CNN 模型的检测工作的第一阶段，有望实现图像锐化并提高检测精度。相机图像锐化模型。 伽玛 (γ) 校正是锐化夜间摄像机图像的图像处理技术之一。该技术利用伽马值（表示图像灰度响应特性的数值）将图像的亮度和灰度校正为最适合人类观看的值，也用于再现亮度和暗度。我们构建了一个实现该技术的图像锐化模型，锐化闭路电视摄像机图像和检测 CNN 模型的结果如图 4-8 所示。
旨在利用AI（人工智能）技术改善河流监测......
但一直没有人回应，黑色和绿色的垃圾袋也无人回应。为此，我们决定进行一项研究，以提高夜间的检测准确率。 为了提高检测准确性，我们决定让被检测物体的图像更清晰。为了改善图像质量，可能采取的措施包括安装图像锐化装置或引入可进行夜间监控的红外摄像机，或者改进或更换设备本身。但缺点是每台设备的初期投资可能需要几十万日元至数百万日元。针对此问题，目前已有利用图像处理技术来锐化闭路电视摄像机等拍摄的图像的方法。该方法仅需几万至几十万日元的成本就能构建一个模型，并且由于期望在使用 CNN 模型进行检测工作之前将其纳入，从而提高图像锐化和检测精度，因此我们构建了夜间摄像机图像锐化模型。 伽马（γ）校正是用于提高夜间摄像机图像清晰度的图像处理技术之一。该技术利用伽马值（表示图像层次响应特性的数值）将图像的亮度和层次调整到最符合人眼感知的状态，同时也用于在液晶电视上再现自然的明暗。我们构建了实现该技术的图像锐化模型，对CCTV摄像机图像进行锐化并用CNN模型检测的结果如图4-8所示。