XiaoMi-AI文件搜索系统
World File Search System标准图像
超声波和人工智能——我们在哪里？
超声波和人工智能——我们在哪里？超声波是一项令人惊叹的技术。与其他成像方式（如 CT 和 MRI）相比，它方便、便宜、不幽闭，并且可以实时提供结果。目前人们对人工智能如此感兴趣，那么人工智能超声方法的进展如何呢？让我们首先考虑医学成像人工智能系统的更广泛背景。尤其是在过去五年中，科学文献中充斥着开发人工智能系统（许多使用成像）以诊断各种疾病的团队的例子。人工智能系统使用一组机器学习技术（例如神经网络和增强决策树），这些技术有可能实现比最好的人类临床医生更准确的诊断准确性。FDA 和其他监管机构现已批准了几种超声波人工智能系统。几乎可以肯定，我们将看到越来越复杂的医学成像人工智能系统的发展。在人工智能的背景下，与其他类型的医学成像相比，超声波具有明显的劣势。 X 射线、CT 和 MRI 涉及获取可轻松与解剖特征对齐的图像，遵循固定的、经过试验和测试的协议。这会产生标准输入，而 AI 系统正是依靠这些输入进行“训练”。但对于超声波，成像是通过将探头扫过身体表面来完成的，从而提供流动的时间序列，从而获得更定性的印象。不断变化的图像意味着标准图像的相关性较低且更难获得。因此，训练超声波的 AI 系统可能更具挑战性。因此，超声波对 AI 来说是一个“难题”。这是否意味着超声波领域没有 AI 发展？远非如此。实际上，AI 超声波系统的未来前景光明。这证明了 AI 在医学成像中的应用具有多功能性。从本质上讲，超声波的 AI 软件已经开发出来，用于搜索标准图像并使用它通过其他 AI 算法进行测量。因此，与人类医生相比，AI 软件使用超声波的方式完全不同。而且超声波的人工智能软件也不同于其他类型成像的人工智能系统的工作方式：它在搜索标准图像时有一个额外的步骤。几种超声波人工智能产品已经获得FDA批准。让我们简单看一下三个例子，以了解这个领域的发展情况。
搜索和目标获取 - 加州理工学院作者
SCI-12 工作组的成立是为了满足这一需求。该任务仅限于摧毁人机交互成像系统，特别是肉眼、直视光学和电光成像系统。没有检查非成像传感器和自动镜头检测。为了便于客观评估替代方法，来自北约成员国的一些研究人员被邀请将他们喜欢的方法应用于 44 幅军用车辆作战配置的标准图像集，这些图像中包含与人类观察员在作战中的表现相关的数据。搜索和目标获取均可用。 1999 年 6 月在荷兰乌得勒支举行的研讨会上讨论了研究结果。
草稿 - 对现实世界图像字幕和场景标识的全面分析
图像字幕是一项计算机视觉任务，涉及为图像生成自然语言描述。此方法在各个领域都有许多应用，包括图像检索系统，医学和各种行业。但是，尽管图像字幕进行了重要的研究，但大多数研究都集中在高质量的图像或受控环境上，而没有探索现实世界图像字幕的挑战。现实世界的图像字幕涉及复杂而动态的环境，具有许多关注点，图像通常在质量上非常差，甚至对于人类而言，这也是一项艰巨的任务。本文评估了在不同编码机制，语言解码器和培训程序之上构建的各种模型的性能，使用新创建的现实世界数据集由使用MIT室内场景数据集构建的65多个不同场景类的800多个图像组成。该数据集使用IC3方法字幕，该方法通过汇总来自图像的唯一视图点的标准图像字幕模型所涵盖的详细信息来生成更具描述性字幕。
开放访问一系列成像研究（OASIS）：交叉 -
开放式成像研究（OASIS）是一个旨在使大脑的磁共振成像（MRI）数据集的大脑数据集，可自由使用科学界。通过编译和自由分发MRI数据集，我们希望促进基本和临床神经科学中的未来发现。具体来说，OASIS项目旨在扮演许多角色。首先，绿洲图像和相关措施是持续科学探索的数据集。从整个成人寿命中从有或没有痴呆症的400多个个人获得的一组图像开始，选择了绿洲数据集，以鼓励对高兴趣主题进行研究，并提供对个别实验室难以获取的数据。第二，OASIS数据是研究人员创建和推动分析技术的目标。由于图像是从多个年龄和健康状况的受试者中获取的，因此绿洲数据可用于测试人类大脑各种景观各个范围内技术的鲁棒性和有效性。第三，绿洲数据可以用作相似分析技术的基准目标。标准图像证明了证明和对比方法的共同参考点。通过仔细筛选
开放访问一系列成像研究（OASIS）：年轻，中年，非痴呆和痴呆的老年人的横截面MRI数据
开放式成像研究（OASIS）是一个旨在使大脑的磁共振成像（MRI）数据集的大脑数据集，可自由使用科学界。通过编译和自由分发MRI数据集，我们希望促进基本和临床神经科学中的未来发现。具体来说，OASIS项目旨在扮演许多角色。首先，绿洲图像和相关措施是持续科学探索的数据集。从整个成人寿命中从有或没有痴呆症的400多个个人获得的一组图像开始，选择了绿洲数据集，以鼓励对高兴趣主题进行研究，并提供对个别实验室难以获取的数据。第二，OASIS数据是研究人员创建和推动分析技术的目标。由于图像是从多个年龄和健康状况的受试者中获取的，因此绿洲数据可用于测试人类大脑各种景观各个范围内技术的鲁棒性和有效性。第三，绿洲数据可以用作相似分析技术的基准目标。标准图像证明了证明和对比方法的共同参考点。通过仔细筛选
![arxiv：2402.18507V1 [CS.CV] 2024年2月28日](/simg/g:\will\search\icon\source\5\5d5c6259445256728ff11c08e770f085388afbe6.webp)
arxiv：2402.18507V1 [CS.CV] 2024年2月28日
本文提出了一个多模式深度学习框架，该框架利用先进的图像技术来改善临床分析的绩效，严重依赖于常规的标准图像。更具体地说，我们开发了一个联合学习网络，该网络首次利用通过用刺激的Echo（密集）进行解码来获得的心肌菌株的准确性和可重复性，以指导在晚期机械激活（LMA）检测中对Cine心脏磁共振（CMR）进行分析。从标准的Cine CMR中，使用图像注册网络来获取心脏运动的知识，这是应变阀的重要特征估计器。我们的框架由两个主要组成部分组成：（i）从重新分配网络中学到的潜在运动特征来预测心肌菌株； （ii）LMA网络利用了有效LMA检测的预测菌株。实验结果表明，我们提出的工作大大提高了Cine CMR图像的应变分析和LMA检测的性能，从而更加与致密的成就更加一致。
带有事件摄像机的低延迟汽车视觉
高级驱动程序辅助系统中当前使用的计算机视觉算法依赖于基于图像的RGB摄像机，从而实现了至关重要的带宽 - latatency折衷，以提供安全的驾驶体验。为了解决这个问题，事件摄像机已成为替代视觉传感器。事件摄像机测量强度不同步的变化，提供了高的时间分辨率和稀疏性，显着降低了带宽和潜伏要求1。尽管有这些优势，但基于事件相机的算法在准确性方面还是高效，但要么落后于基于图像的算法，要么牺牲事件的稀疏性和效率以获得可比的结果。为了克服这一点，我们在这里提出了一个基于混合事件和框架的对象检测器，该对象检测器保留了每种方式的优势，因此并不遭受这种权衡。我们的方法利用了事件的高时间分辨率和稀疏性以及标准图像中富裕但低的时间分辨率信息，以生成有效的高速对象检测，从而减少感知和计算潜伏期。我们表明，使用20帧每秒（FPS）RGB摄像头和事件摄像机的使用可以达到与5,000-FPS摄像机相同的延迟，而具有45-FPS摄像机的带宽而不会损害精度。我们的方法通过发现事件摄像机2的潜力，为在边缘场景中有效和强大的感知铺平了道路。
使用计算机愿景的人类行为检测数据集（HBDSET）用于疏散安全和紧急管理
在紧急撤离期间，使用计算机视觉根据其行为来准确检测和对不同的撤离者进行分类至关重要。在标准图像数据库中训练的传统对象检测模型通常无法识别特定组中的个人，例如老年人，残疾人和孕妇，这些妇女在紧急情况下需要额外的帮助。为了解决这一限制，本研究提出了一个新的图像数据集，称为人类行为检测数据集（HBDSET），该数据集是专门收集并出于公共安全和紧急响应目的而收集的并进行了注释。此数据集包含八种类型的人类行为类别，即普通的成人，孩子，抱着拐杖，抱着婴儿，使用轮椅，孕妇，行李和手机。数据集包含从各种公共场景收集的1,500多个图像，其中包含2,900多个边界框注释。使用Labelimg工具仔细选择，清洁并随后手动注释图像。为了证明数据集的有效性，根据HBDSET对经典对象检测算法进行了训练和测试，并且平均检测精度超过90％，突出了数据集的稳健性和普遍性。开发的开放式HBDSET有可能增强公共安全，提供早期灾难警告并在紧急撤离期间优先考虑弱势个人的需求。
通过人工智能分析胎儿脑超声的成熟度特征来估计孕龄
背景：最佳的产前护理依赖于准确的孕周估算。在妊娠头三个月后，目前孕周估算方法的准确性随着孕周的增加而降低。考虑到在许多国家，由于预约较晚、产前护理机会不频繁以及无法进行早期超声检查，仍然难以获得妊娠头三个月的头臀长，开发准确的妊娠中期和晚期孕周估算方法仍然是胎儿医学中尚未解决的挑战。目的：本研究旨在评估一种基于对标准颅脑超声切片上胎儿大脑形态的自动分析的人工智能方法与使用标准胎儿生物测量技术的现行公式相比，在估计中期和晚期胎儿孕周方面的表现。研究设计：使用 1394 名接受常规胎儿超声检查的患者的丘脑轴平面标准图像开发一种人工智能方法，通过分析胎儿大脑信息自动估计妊娠周龄。我们将其性能（单独使用或与胎儿生物特征参数结合使用）与 4 种目前使用的胎儿生物特征公式进行了比较，这些公式来自 1992 名接受第二次（n=1761）或第三次检查的患者的 3065 次扫描
使用 KFCM 和 SVM 进行 MRI 脑肿瘤早期检测、分类和性能评估 Gangadhara Reddy P. 研究学者，EC 系
摘要——肿瘤感染的大脑是一种可怕的疾病。它是大脑中因细胞发育不规则而形成的区域。使用 MRI 成像方法识别和分类受感染的大脑区域可能具有挑战性。使用各种成像方法可以得到人脑解剖图像。使用标准图像处理方法很难检测到奇怪的大脑结构。MRI 可以区分并解释人类的神经系统设计。本研究提出了一种检测脑肿瘤的分析方法。因此，脑肿瘤早期诊断技术对于降低死亡率至关重要。我们提出了一种计算机辅助放射学系统，该系统将从 MRI 数据分析脑肿瘤以进行诊断。我们构建了一个模型，该模型使用 FCM 和 Kernel FCM 对 MRI 图像进行分割，使用 DWT 提取特征，使用 SVM 网络对肿瘤进行分类。关键词——MRI、分割、FCM、KFCM、DWT、SVM。介绍在人体中，大脑是控制认知、记忆、视觉和呼吸的主要处理器官。数以百万计的细胞堆积在坚硬的颅骨中，以保护大脑免受外力的伤害。脑干是这个重要器官的起源。因此，大脑中的任何异常都可能危及人类健康。脑肿瘤是这些疾病中最严重的。脑肿瘤的治疗方法取决于其位置、大小和种类。脑肿瘤最常见的治疗方法是手术，它没有神经系统副作用 [1]。有几种方法可用于诊断脑肿瘤，包括计算机断层扫描 (CT) 扫描、磁共振成像 (MRI) 和脑电图 (EEG)