XiaoMi-AI文件搜索系统
World File Search System眼底
第 11 届 AMINA 研讨会 2022 莫纳斯提尔，2-3-4 ...
根据 CT 体积自动评估 COVID-19 感染率。 BEN ABDELALI Hanene, BEN ABDALLAH Asma, ACHOUR Asma, ABDELALI Mabrouk, MIGAOU Asma, SAAD Jamel, BEDOUI Mohamed Hédi Lab. LTIM-LR12ES06，莫纳斯提尔大学/医学影像系和肺病学系 – EPS Fattouma Bourguiba – 突尼斯莫纳斯提尔。宫颈阴道涂片图像分析：分割和特征描述。 BOUGHZALA Omelkhir、NOUIRA Ibtihel、BEN ABDALLAH Asma、BEDOUI Mohamed Hédi Lab。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学。通过移动媒体捕获的眼底图像实时筛查 AMD 的自动方法。本·萨亚迪亚·索菲恩、埃洛米·亚鲁布、卡丘里·罗斯托姆、本·阿卜杜拉·阿斯玛、阿基尔·穆罕默德、贝杜伊·穆罕默德·赫迪。实验室。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。一种基于自动架构的视网膜血管分割新方法。 BOUDEGGA Henda、ELLOUMI Yaroub、KACHOURI Rostom、BEN ABDALLAH Asma、BEDOUI Mohamed Hédi。实验室。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学，突尼斯莫纳斯提尔/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。心血管医学中的粒子图像测速技术。 KREKER Ouissal、BOUCHAHDA Nidhal、BEN ABDALLAH Asma 和 BEDOUI Mohamed Hédi。实验室。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。 CHAOUCH Aymen、Nada HAJ MASOUAD、BEN ABDALLA Asma、BEDOUI Mohamed Hédi Lab。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。用于膝关节软骨 3D 分割的新型 DL 模型。 MATHLOUTHI Safa、BLAIECH Ahmed Ghazi、SAID Mourad、BEN ABDALLAH Asma、BEDOUI Mohamed Hédi Lab。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学，突尼斯莫纳斯提尔/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。
糖尿病的新型混合深度学习模型...
被称为糖尿病性视网膜病的进行性眼科疾病仍然是全球失明的主要原因。有效的治疗和预防视力丧失需要迅速而准确的DR检测。深刻的学习程序在临床图片检查中表现出了非凡的承诺，在本文中，我们提出了一个混合模型，该模型加入了卷积大脑组织（CNNS）和重复性脑组织（RNN）的质量，以进一步发展Dr Discovery精确性。拟议的跨界深度学习模型涉及三个主要阶段。首先要采取的前进性，以这种方式以这种方式来升级眼底图片的质量和差异化，以取决于该模型消除基本亮点的能力。之后，使用残留的CNN来从已经处理的图像中提取特征。残留的CNN在捕获各种级别的亮点方面是备用的，并且此阶段使模型能够成功从信息图片中获得歧视性元素。随后的阶段包括将RNN纳入模型。rnns非常适合分析医学图像中的顺序模式，因为它们非常适合处理顺序数据和捕获时间依赖性。由于RNN的包含，该模型从底底图像序列中提取时间信息的能力提高了其识别早期DR进展符号的能力。混合模型的体系结构促进了空间和时间信息的融合，从而实现了更全面，更准确的DR诊断。1。第三阶段和最后阶段围绕着表征任务，在该任务中，完全关联的大脑网络被用来破译过去阶段分开的亮点，并将图片订购为各种DR的严重程度。关键词：糖尿病性视网膜病，深度学习，混合模型，检测，视网膜图像。引言糖尿病性视网膜病（DR）是一种退化性眼部感染，是糖尿病的结果。对视网膜中血管的损害，眼睛背面的光敏组织是其独特的特征之一。每当未经处理的情况下，DR都会导致严重的视力不幸甚至视觉缺陷[1] [2]。非增殖性糖尿病性视网膜病（NPDR）和增殖性糖尿病性视网膜病（PDR）是糖尿病性视网膜病的两种基本类型[3] [4]。在NPDR的开始阶段，视网膜中的静脉虚弱，并开始溢出液体或血液。但是，PDR是一个更高级的阶段，其中视网膜的表面开始发芽新，
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。
可解释的AI和生成AI
与电子和通信工程系Srinivasa Ramanujan技术学院（自动驾驶），Ananthapuramu，AP，AP（由电子和信息技术部赞助（MEITY），GOI）PREAMBLEBLEBLE：“ Electronics＆ICT Academy”在Nit Warangal提供了Meity，Goi goi，Goi，Goi，Electronics＆ICT Academy”。该学院的管辖区是Telangana，Andhra Pradesh，Karnataka，Goa，Puducherry和Andaman＆Nicobar群岛。该学院的作用是在电子，信息通信技术，工业培训和咨询服务，行业课程开发，工作专业人员的CEP开发，工作专业人员的建议，对技术孵化和企业家活动的支持和支持。关于FDP：此FDP旨在提供强大的理论背景以及在计算机视觉和医学成像应用领域的实践经验，以及如何在计算机视觉和基于医学图像分析的算法的帮助下有效地进行图像的可视化和分析。在“数字印度”倡议的发展和新兴时代，计算机视觉的使用在机器视觉和医学成像区域中变得相关，因为这些图像的几种应用决定并有助于整个地区和整个国家的社会经济地位。简历和医学成像专家的知名资源人员将提供计算机视觉和基于医学成像的方法。主要课程内容：计算机视觉和医学图像分析应用程序简介。使用Python/Matlab的动手会话。该FDP旨在传授知识并培训AI的工程方面的基础知识和在最近的计算机视觉医学图像分析应用AI.FDP的应用中，对在AI/ML领域工作的学院和研究人员将有助于计算机视觉和医疗图像分析的领域。机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，SVM分类，神经网络和应用程序。深度学习方法的简介以及基于DL的其他架构及其应用。CNN架构用于简历和医学成像实施。视频分析，对象检测/跟踪，分割，Yolo模型，RCN，UNET和FRCNN。生物识别技术检测，人类活动和面部识别，情感识别。BIO医疗信号处理，例如ECG，EEG，EMG等。医疗图像数据处理和分析。用于生物医学成像，基于CT扫描/MRI的图像分析，眼底成像和医学图像分类的AI/ML。张量流/keras/pytorch/jupyter和colab的基础知识。使用Python/Matlab使用数据预处理和数据可视化。CV和AI算法在硬件平台上的实现，例如Jetson Nano，TX2等。主持此计划的教师：Nit Warangal的教职员工将进行该计划；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。
在线教师发展计划 (FDP) ...
（由印度政府电子和信息技术部 (MeitY) 赞助）序言：“电子和信息通信技术学院”在印度政府电子和信息技术部 (MeitY) 的财政援助下，在瓦朗加尔国家理工学院 (NIT Warangal) 成立。该学院的管辖范围包括特伦甘纳邦、安得拉邦、卡纳塔克邦、果阿邦、本地治里和安达曼和尼科巴群岛。该学院的作用是提供标准化课程和新兴电子、信息通信技术领域的教师发展计划、行业培训和咨询服务、行业课程开发、在职专业人员的 CEP、技术孵化和创业活动的建议和支持。关于 FDP：该 FDP 旨在提供强大的理论背景以及计算机视觉和医学成像应用领域的实践经验，以及如何借助基于计算机视觉和医学图像分析的算法有效地完成图像的可视化和分析。在“数字印度”计划不断发展和新兴的时代，计算机视觉在机器视觉和医学成像领域变得至关重要，因为图像的多种应用决定并有助于整个地区和国家的社会经济地位。 CV 和医学成像专家的杰出资源人员将提供基于计算机视觉和医学成像的方法。 该 FDP 旨在传授知识和培训有关 AI 工程方面的基础知识以及使用 AI 的最新计算机视觉医学图像分析应用的见解。FDP 将对在计算机视觉和医学图像分析应用的 AI/ML 领域工作的教师和研究人员有所帮助。 主要课程内容： 生物医学和医学图像分析应用简介。 机器学习基础，数据预处理和数据可视化。 监督和无监督学习方法、SVM 分类、神经网络和应用。 深度学习方法简介，以及基于 DL 的其他架构及其应用。 用于生物医学信号和医学成像实现的 CNN 架构。 生物医学信号处理技术、生物医学信号分类、基于脑机接口 (BCI) 的系统、现代 ECG/EEG 信号处理。 使用 MATLAB 分析 ECG、EEG 和 PPG 信号 医学图像数据处理和分析。 用于生物医学成像的 AI/ML、基于 CT 扫描/MRI 的图像分析、眼底和医学图像分类。 Tensor Flow/Keras/PyTorch/Jupyter 和 Colab 的基础知识。 使用 python/MATLAB 进行数据预处理和数据可视化。 使用 Python/MATLAB 进行动手实践。 在 Jetson Nano、TX2 等硬件平台上实现 CV 和 AI 算法。 开展该课程的教师：该项目将由瓦朗加尔国立理工学院的教职人员主持；来自印度理工学院/印度理工学院/印度理工学院相关领域的学者将受邀为该项目授课。来自各行各业的演讲者也有望在课程中发表演讲。
在线教师发展计划（FDP）...
（由印度政府电子和信息技术部 (MeitY) 赞助）序言：“电子与信息通信技术学院”在印度政府电子和信息技术部 (MeitY) 的资助下，于瓦朗加尔国立理工学院 (NIT Warangal) 成立。该学院的管辖范围包括特伦甘纳邦、安得拉邦、卡纳塔克邦、果阿邦、本地治里以及安达曼和尼科巴群岛。该学院的职责是提供标准化课程和新兴电子、信息通信技术领域的教师发展计划，为行业提供培训和咨询服务，为行业提供课程开发，为在职专业人员提供持续教育计划 (CEP)，并为技术孵化和创业活动提供建议和支持。关于 FDP：该 FDP 旨在提供强大的理论背景以及计算机视觉和医学成像应用领域的实践经验，以及如何借助基于计算机视觉和医学图像分析的算法高效地实现图像的可视化和分析。在“数字印度”计划蓬勃发展的时代，计算机视觉在机器视觉和医学成像领域变得至关重要，因为图像的多种应用决定并有助于提高整个地区和国家的社会经济地位。著名的 CV 和医学成像专家将提供基于计算机视觉和医学成像的方法。该 FDP 旨在传授知识并培训人工智能工程方面的基础知识以及使用人工智能在最近的计算机视觉医学图像分析应用中的见解。FDP 将有助于在计算机视觉和医学图像分析应用的 AI/ML 领域工作的教师和研究人员。主要课程内容： 计算机视觉和医学图像分析应用简介。 机器学习基础，数据预处理和数据可视化。 监督和无监督学习方法、SVM 分类、神经网络和应用。 深度学习方法简介，以及基于 DL 的其他架构及其应用。 用于 CV 和医学成像实现的 CNN 架构。 视频分析、目标检测/追踪、分割、Yolo 模型、RCN、Unet 和 FRCNN。 生物特征检测、人体活动和人脸识别、情绪识别。 医学图像数据处理与分析。 用于生物医学成像的 AI/ML、基于 CT 扫描/MRI 的图像分析、眼底成像和医学图像分类。 Tensor Flow/Keras/PyTorch/Jupyter 和 Colab 的基础知识。 使用 python/MATLAB 进行数据预处理和数据可视化。 使用 Python/MATLAB 进行实践课程。 在 Jetson Nano、TX2 等硬件平台上实现 CV 和 AI 算法。负责此课程的教师：该项目将由瓦朗加尔国立理工学院 (NIT Warangal) 的教职员工授课；印度理工学院 (IIT)、印度理工学院 (NIT) 和印度理工学院 (IIIT) 相关领域的学者也将受邀授课。此外，预计来自各行各业的演讲嘉宾也将参与课程。
新闻稿 - TROPION-Lung12 第 3 阶段试验启动...
在 TROPION-Breast01 中，接受 DATROWAY 治疗的患者中 4.2% 发生了 ILD/肺炎，其中 0.5% 的患者为 3-4 级 ILD/肺炎，0.3% 的患者为致命性 ILD/肺炎。六名患者 (1.7%) 因 ILD/肺炎而永久停用 DATROWAY。ILD/肺炎的发病中位时间为 3.5 个月（范围：1.2 个月至 10.8 个月）。患者因有需要用类固醇治疗的 ILD/肺炎病史或持续的 ILD/肺炎而被排除在 TROPION-Breast01 之外。在接受 DATROWAY 治疗期间，监测患者是否出现新的或恶化的 ILD/肺炎呼吸道症状（例如呼吸困难、咳嗽、发烧）。对于无症状（1 级）ILD/肺炎，考虑使用皮质类固醇治疗（例如，≥0.5 mg/kg/天泼尼松龙或等效药物）。对于有症状的 ILD/肺炎（2 级或更高），立即开始全身皮质类固醇治疗（例如，≥1 mg/kg/天泼尼松龙或等效药物）并持续至少 14 天，然后逐渐减少剂量至少 4 周。对于疑似 ILD/肺炎的患者，应暂停使用 DATROWAY，如果确诊为 ≥2 级 ILD/肺炎，则永久停用 DATROWAY。眼部不良反应 DATROWAY 可引起眼部不良反应，包括干眼症、角膜炎、睑缘炎、睑板腺功能障碍、流泪增多、结膜炎和视力模糊。在 TROPION-Breast01 中，接受 DATROWAY 治疗的患者中有 51% 出现了眼部不良反应。七名患者（1.9%）出现了 3 级眼部不良反应，包括干眼症、角膜炎和视力模糊。最常见的（≥5%）眼部不良反应是干眼症（27%）、角膜炎（24%）、睑缘炎和流泪增多（各 8%）以及睑板腺功能障碍（7%）。患有临床显著角膜疾病的患者被排除在 TROPION-Breast01 之外。眼部不良反应的中位发病时间为 2.1 个月（范围：0.03 个月至 23.2 个月）。在出现眼部不良反应的患者中，45% 完全缓解；9% 部分改善（定义为严重程度从上次随访时的最差级别降低一个或多个级别）。0.8% 的患者因眼部不良反应而永久停用 DATROWAY。建议患者每天使用数次不含防腐剂的润滑眼药水进行预防。建议患者避免使用隐形眼镜，除非眼科医生指示。在治疗开始时、治疗期间每年一次、治疗结束时以及临床有指征时，将患者转诊给眼科医生进行眼科检查，包括视力测试、裂隙灯检查（荧光素染色）、眼压和眼底镜检查。如有任何新的或恶化的眼部不良反应，应立即将患者转诊给眼科医生。在使用 DATROWAY 治疗期间监测患者的眼部不良反应，如果确诊，则延迟给药、减少剂量、或根据严重程度永久停用 DATROWAY。口腔炎 DATROWAY 可引起口腔炎，包括口腔溃疡和口腔黏膜炎。在 TROPION-Breast01 研究中，59% 接受 DATROWAY 治疗的患者出现口腔炎，其中 7% 的患者出现 3-4 级事件。首次发病的中位时间为 0.7 个月（范围：0.03