XiaoMi-AI文件搜索系统
World File Search System图像分析
用于医学图像分析的计算机视觉和机器学习：最新进展、挑战和前进方向。
深度学习和深度卷积神经网络领域的最新发展显著推动了计算机视觉 (CV) 和图像分析与理解领域的发展。对医学图像进行分类和分割以及定位和识别感兴趣的对象等复杂任务变得不再那么困难。这一进步有可能加速利用 CV 的大量医疗应用的研究和部署。然而，实际上，在前线医疗机构中实际部署的实例有限。在本文中，我们研究了 CV 在医疗领域的应用现状。我们讨论了 CV 和智能数据驱动的医疗应用面临的主要挑战，并提出了加速 CV 应用在医疗实践中的研究、开发和部署的未来方向。首先，我们批判性地回顾了 CV 领域中现有的解决复杂视觉任务的文献，包括：医学图像分类、从图像中识别形状和物体以及医学分割。其次，我们深入讨论了加速智能 CV 方法在实际医疗应用和医院中的研究、开发和部署的各种挑战。最后，我们通过讨论未来的发展方向来结束本文。
无监督图像配准可提高心脏和脑图像分析的性能和可解释性
摘要：磁共振成像 (MRI) 通常会招募多个序列（本文定义为“模态”）。由于每种模态都旨在提供不同的解剖和功能临床信息，因此不同模态之间的成像内容存在明显差异。模态间和模态内仿射和非刚性图像配准是临床成像中必不可少的医学图像分析过程，例如，在成像之前，需要在不同的 MRI 模态、时间阶段和切片之间获取和临床评估生物标志物。尽管在实际临床场景中通常需要仿射和非刚性图像配准，但尚未使用单一无监督模型架构进行广泛研究。在我们的工作中，我们提出了一种无监督深度学习配准方法，可以同时准确地模拟仿射和非刚性变换。此外，逆一致性是基本模态间配准属性，深度学习配准算法并未考虑该属性。为了解决逆一致性问题，我们的方法执行双向跨模态图像合成以学习模态不变的潜在表示，并涉及两个因式分解变换网络（每个编码器-解码器通道一个）和一个逆一致性损失以学习保持拓扑的解剖变换。总体而言，我们的模型（名为“FIRE”）在多模态脑 2D 和 3D MRI 以及模态内心脏 4D MRI 数据实验中表现出比参考标准基线方法（即使用 ANTs 工具箱实现的对称归一化）更好的性能。我们专注于解释模型数据组件，以增强模型在医学图像配准中的可解释性。在计算时间实验中，我们表明 FIRE 模型在节省内存的模式下运行，因为它可以在训练阶段直接学习保持拓扑的图像配准。因此，我们展示了一种高效且通用的配准技术，该技术在临床环境中的多模态图像配准中具有优势。
《人工智能法案》下法医图像分析的合规挑战
摘要 — 在法医图像分析的许多应用中，如今最先进的结果都是通过机器学习方法实现的。然而，对其可靠性和不透明性的担忧引发了人们对此类方法是否可以用于刑事调查的疑问。到目前为止，这个法律合规性问题几乎没有被讨论过，这也是因为对机器学习方法的法律规定没有明确定义。为此，欧盟委员会最近提出了人工智能 (AI) 法案，这是一个值得信赖的人工智能使用的监管框架。根据人工智能法案草案，允许在执法中使用高风险人工智能系统，但必须遵守强制性要求。在本文中，我们回顾了为什么将机器学习在法医图像分析中的使用归类为高风险。然后，我们总结了高风险人工智能系统的强制性要求，并根据两个法医应用（车牌识别和深度伪造检测）讨论了这些要求。本文的目的是提高人们对即将到来的法律要求的认识，并指出未来研究的途径。索引术语——法医图像分析、人工智能法案
英国国家安全委员会证据摘要 - 在乳腺癌筛查中使用人工智能进行乳房 X 线摄影图像分析
乳腺癌是英国女性中最常见的癌症。英国国家医疗服务体系 (NHS) 乳腺癌筛查计划每 3 年邀请 50-70 岁的女性进行一次筛查。筛查包括对每个乳房进行 X 光检查 (乳房 X 光检查)。两名检查员查看每张 X 光片以查看是否有癌症迹象。检查员决定是否为该女性提供额外检查以确认是否存在癌症。2018-2019 年，NHS 乳腺癌筛查计划筛查了英格兰的 182 万名女性，发现 15,285 名女性患有乳腺癌。该计划的目的是通过尽早发现癌症（当癌症更容易治疗时）来减少乳腺癌造成的死亡。乳腺癌筛查计划还会漏掉接受筛查的女性中 15%-35% 的癌症。这要么是由于错误，要么是因为癌症对读者来说是不可见的。计算机图像识别程序或人工智能 (AI) 可以学习发现乳房乳房 X 光检查中的变化，已被开发用于协助人类进行乳腺癌筛查计划。人们对将人工智能用于临床实践的兴趣日益浓厚，因为它可以提供许多优势。例如，在乳腺癌筛查中，由于人工智能程序不会失去注意力或感到疲倦，因此可能会漏掉更少的癌症。人工智能还可以通过减少读取数千张乳房 X 光检查所需的工作量来减少乳房筛查的工作量，例如通过替换其中一个乳房 X 光检查读取器。但也有人担心人工智能可能会检测到永远不会对女性造成任何伤害的变化。目前，英国的乳腺癌筛查计划不使用人工智能。如果要在英国乳腺癌筛查计划中考虑使用 AI，我们需要了解将 AI 添加到当前筛查计划中的益处和危害。当前审查研究了以下方面的证据：
医学中基于深度学习的面部图像分析...
摘要简介深度学习技术正在在医学研究中获得动力。证据表明，深度学习在图像识别和分类方面具有优势，例如在检测人们的医疗状况中的面部图像分析。尽管有积极的发现可用，但对医学环境中基于深度学习的面部图像分析的最新面貌知之甚少。为了考虑患者的福利和实践的发展，需要及时了解基于深度学习的面部图像分析所面临的挑战和机会。为了解决这一差距，我们旨在进行系统的审查，以确定医学研究中基于深度学习的面部图像分析的特征和影响。从这项系统的审查中获得的见解将为特征，挑战以及在疾病检测，诊断和预后应用的基于深度学习的面部图像分析中提供急需的理解。方法数据库，包括PubMed，Psycinfo，Cinahl，Ieexplore和Scopus，将在2021年9月以英文发表的相关研究搜索。标题，摘要和全文文章将被筛选以识别合格的文章。还将对随附文章的参考列表进行手动搜索。采用了系统评价和荟萃分析框架的首选报告项目来指导系统的审查过程。两位审稿人将独立检查引用并选择包含的研究。差异将通过小组讨论解决，直到达成共识为止。将根据本研究中采用的研究目标和选择标准提取数据。道德和传播作为研究是进行系统审查的协议，不需要伦理批准。研究结果将通过同行评审的出版物和会议演讲来传播。Prospero注册号CRD42020196473。
冷藏自动售货机销售数据与AI摄像头图像分析数据的实用性实证实验
Retail Systems 株式会社（以下简称“三电 RS”）、日本电信电话东日本株式会社宫城分公司（以下简称“NTT 东日本”）
人工智能用于甲状腺结节超声图像分析
仅使用超声图像来训练深度学习算法（称为从头开始训练）需要大量带标签的超声图像，因为深度学习算法的诊断性能会根据训练数据集的大小而提高 (11)。然而，由于人力和成本限制，可收集的数据量有限。此外，成功训练需要多少图像也是未知的。然而，有几种方法可以解决这一限制。其中一种流行的方法是迁移学习，它使用预先训练的模型，从而节省时间。预训练模型在大型基准数据集上进行训练，以解决与我们想要解决的问题类似的问题。例如，Inception 是最流行的模型之一，并使用 ImageNet 数据库进行预训练，该数据库包含超过 120 万张日常生活中常见物品的图像。使用预训练模型比训练整个深度学习算法层更有效率，尽管数据集不包含医疗图像或包含超声图像 (12)。
乳腺癌筛查项目中人工智能图像分析的应用：测试准确性的系统评价
回顾性研究将人工智能系统与原始放射科医生的临床决策进行了比较，包括 79 910 名女性，其中 1 878 名在筛查后 12 个月内检测到癌症或间期癌症。在这些研究评估的 36 个人工智能系统中，有 34 个（94%）比单个放射科医生的准确度低，并且所有系统的准确度都低于两名或两名以上放射科医生的共识。五项规模较小的研究（1 086 名女性，520 例癌症）存在较高的偏倚风险，且对临床的普遍性较低，报告称，所有五个评估的人工智能系统（作为独立的系统来替代放射科医生或作为阅读辅助工具）都比单个放射科医生在实验室中阅读测试集更准确。在三项研究中，用于分类的人工智能筛查出了 53%、45% 和 50% 的低风险女性，但也筛查出了 10%、4% 和 0% 的放射科医生发现的癌症。
中尺度显微镜和图像分析工具，用于理解大脑
在过去的十年中，全脑显微镜的发展现在可以对小动物（如小鼠）完整的大脑进行高分辨率成像。这些复杂的图像包含大量信息，但是许多神经科学实验室没有处理这些数据所需的所有计算知识和工具。我们回顾了将图像注册到地图酶的最新开源工具，以及大脑区域和标记结构（例如神经元）的分割，可视化和分析。由于该领域缺乏用于所有类型的全脑显微镜分析的完全集成的分析管道，因此我们为工具开发人员提供了一条途径，以应对这一挑战。©2021作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。