进步的成像技术大大提高了海洋视频和图像数据收集的速度。通常不会分析这些数据集的全部潜力,因为为多种物种提取信息非常耗时。这项研究证明了开源交互式机器学习工具Rootpainter的能力,可以快速准确地分析大型海洋图像数据集。在两个数据集中测试了根蛋白酶提取冷水珊瑚礁关联物种mycale Lingua的存在和表面积的能力:18 346个延时图像和1420个远程操作的车辆视频框架。与rootpainter集成的新纠正注释指标允许对何时停止模型训练并减少对手动模型验证的需求进行客观评估。使用Rootpainter创建了三个高度精确的M. Lingua模型,平均骰子得分为0.94±0.06。转移学习有助于两个模型的产生,将分析效率从6倍提高到16倍,比手动注释的延时图像快6倍。从两个数据集中提取表面积测量值,从而将来研究海绵行为和分布。向前迈进,交互式机器学习工具和模型共享可以大大提高图像分析速度,协作研究以及我们对生物多样性中时空模式的理解。
13652990,2024,3,由伦敦大学学院 UCL 图书馆服务部、威利在线图书馆于 [2024 年 5 月 14 日] 从 https://onlinelibrary.wiley.com/doi/10.1111/nan.12981 下载。有关使用规则,请参阅威利在线图书馆的条款和条件 (https://onlinelibrary.wiley.com/terms-and-conditions);OA 文章受适用的知识共享许可约束
Mariluz Rojo Domingo * 1,2,Christopher C Conlin,PhD * 3,Roshan A Karunamuni,PhD 2,Courtney Ollison,Courtney Ollison,BS 2,Madison t Baxter,MS 2,MS 2,Karoline Kallis,Karoline Kallis,Karoline Kallis,Phd 2,Deondre d do,do do do,bs 1,2 Shabaik,医学博士5,Michael E Hahn,医学博士,博士3,Paul M Murphy,医学博士,博士3,Rebecca Rakow-Penner,MD,PhD 3,Anders M Dale,Anders M Dale,Phd 3,6,7,Tyler M Seibert,MD,MD,博士学位1,2,3 *这些作者在1,2,3 *
摘要 - 深度学习的使用已彻底改变了疾病的检测,并使医疗保健领域中强大而精确的计算机辅助诊断工具创建了疾病。人工智能(AI)工具现在可以检测癌症,内部出血,断裂等,而无需人工干预,这要归功于深度学习。蓬勃发展的医疗保健行业面临着深度学习的严重风险。由于嘈杂的医学图像数据,用户和患者不信任以及与医学数据相关的道德和隐私问题,缺乏平衡的注释的医学图像数据,对深度神经网络和建筑的对抗性攻击,这是深度学习研究人员和工程师所面临的一些重大挑战,尤其是在医学图像诊断中。本文解决了这些问题。这项研究通过探索其在医疗保健中的潜在应用来定义AI的公众怀疑。
医学图像分析的主要目标是识别解剖结构的患病区域,以便医生更好地了解病变的进展情况。医学图像分析涉及四个主要阶段:(1) 图像预处理;(2) 分割;(3) 特征提取;(4) 模式识别或分类。预处理是增强图像信息以便进行后续处理或消除照片中不需要的失真的过程。将区域(例如肿瘤和器官)分离以进行进一步研究的技术称为分割。特征提取是从感兴趣区域 (ROI) 中仔细选择信息以帮助识别它们的过程。分类有助于根据提取的特征对 ROI 进行分类 [2][3]。
人工智能工具,尤其是卷积神经网络(CNN),正在通过增强预测性,诊断和决策能力来改变医疗保健。本综述为临床医生提供了CNN的可访问且实用的解释,并强调了它们在医学图像分析中的相关性。cnns显示自己在计算机视觉中非常有用,该字段使机器能够“看到”并解释视觉数据。了解这些模型的工作方式可以帮助临床医生充分利用其全部潜力,尤其是当人工智能继续发展并融入医疗保健时。CNN已经在包括放射学,组织病理学和医学摄影在内的各种医学领域证明了它们的功效。在放射学中,CNN已被用来自动化肺炎,肺栓塞和直肠癌等疾病的评估。 在组织病理学中,CNN已用于评估和分类结直肠息肉,胃上皮肿瘤,并有助于评估多种恶性肿瘤。 在医学摄影中,CNN已用于评估视网膜疾病和皮肤状况,并在内窥镜手术过程中检测胃和大肠息肉。 在手术腹腔镜检查中,它们可以为外科医生提供术中辅助,有助于解释手术解剖结构并证明安全的解剖区。 将CNN集成到医学图像分析中有望提高诊断准确性,简化工作流程效率并扩大对专家级图像分析的访问权限,从而有助于实现进一步改善患者和医疗保健结果的最终目标。在放射学中,CNN已被用来自动化肺炎,肺栓塞和直肠癌等疾病的评估。在组织病理学中,CNN已用于评估和分类结直肠息肉,胃上皮肿瘤,并有助于评估多种恶性肿瘤。 在医学摄影中,CNN已用于评估视网膜疾病和皮肤状况,并在内窥镜手术过程中检测胃和大肠息肉。 在手术腹腔镜检查中,它们可以为外科医生提供术中辅助,有助于解释手术解剖结构并证明安全的解剖区。 将CNN集成到医学图像分析中有望提高诊断准确性,简化工作流程效率并扩大对专家级图像分析的访问权限,从而有助于实现进一步改善患者和医疗保健结果的最终目标。在组织病理学中,CNN已用于评估和分类结直肠息肉,胃上皮肿瘤,并有助于评估多种恶性肿瘤。在医学摄影中,CNN已用于评估视网膜疾病和皮肤状况,并在内窥镜手术过程中检测胃和大肠息肉。在手术腹腔镜检查中,它们可以为外科医生提供术中辅助,有助于解释手术解剖结构并证明安全的解剖区。将CNN集成到医学图像分析中有望提高诊断准确性,简化工作流程效率并扩大对专家级图像分析的访问权限,从而有助于实现进一步改善患者和医疗保健结果的最终目标。
由于卫星部件尺寸和成本的减小,卫星的使用范围越来越广。因此,一些规模较小的组织已经有能力部署卫星,并在卫星上运行各种数据密集型应用程序。一种流行的应用是图像分析,用于检测陆地、冰、云等,以进行地球观测。然而,卫星中部署的设备的资源受限性质给这种资源密集型应用带来了额外的挑战。在本文中,我们介绍了为卫星构建图像处理单元 (IPU) 的工作和经验教训。我们首先研究各种边缘设备(比较 CPU、GPU、TPU 和 VPU)在卫星上进行基于深度学习的图像处理的性能。我们的目标是确定能够实现准确结果并在工作负载变化时具有灵活性的设备,同时满足卫星的功率和延迟限制。我们的结果表明,ASIC 和 GPU 等硬件加速器对于满足延迟要求至关重要。然而,最先进的配备 GPU 的边缘设备可能会消耗过多的电力,无法部署在卫星上。然后,我们使用从性能分析中获得的结果来指导即将进行的卫星任务的 IPU 模块的开发。我们详细介绍了如何将此类模块集成到现有的卫星架构中,以及利用此模块支持各种任务所需的软件。
在Carta®Phenoglyphs™软件模块中使用了无监督和监督的机器学习的独特组合来量化表型变化。使用数百个可以同时分析的细胞特征,创建了全面的表型曲线,可以在整个筛选工作流程中应用。这种多元分类方法提供了对物体种群的准确表征,使用户能够解决药物治疗或遗传修饰引起的细微表型变化。它可以在许多生物靶标中使用,包括类器官,细胞,球体等。