blog

Jun 07, 2023

WiMi desenvolveu um algoritmo de aprendizagem generalizada de automóveis

PEQUIM, 15 de agosto de 2023 /PRNewswire/ -- A WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​ou a "Empresa"), fornecedora líder global de tecnologia de Realidade Aumentada de Holograma ("AR"), anunciou hoje que a

PEQUIM, 15 de agosto de 2023 /PRNewswire/ -- A WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​ou a "Empresa"), fornecedora líder global de tecnologia de Realidade Aumentada de Holograma ("AR"), anunciou hoje que um algoritmo de aprendizagem generalizado de análise de imagens de raios X é desenvolvido para imagens imaginadas por X, denominado Análise Automática de Imagens de Raios X de Inteligência Artificial (Auto-AIX).

A análise de imagens de raios X é um processo complexo que envolve a detecção de várias características, como densidade óssea, formato de órgão e densidade de tecido. Tradicionalmente, este processo tem sido realizado manualmente por profissionais médicos que utilizam a sua experiência para identificar e analisar características. No entanto, este método é demorado e pode estar sujeito a erros humanos, levando a erros de diagnóstico e mau prognóstico do paciente.

WiMi tem explorado o uso de algoritmos de inteligência artificial para automatizar o processo de análise de imagens de raios X. Esses algoritmos são projetados para aprender com grandes conjuntos de dados de imagens de raios X e podem reconhecer padrões e características que são difíceis ou impossíveis de serem detectados por especialistas humanos. Ao automatizar o processo de análise de imagens de raios X, os algoritmos de IA têm o potencial de aumentar a velocidade e a precisão do diagnóstico, ao mesmo tempo que reduzem a carga de trabalho dos profissionais de saúde. No entanto, o desenvolvimento de algoritmos de IA eficazes para análise de imagens de raios X requer um grande e diversificado conjunto de dados de imagens de raios X para treinamento e validação. Este conjunto de dados deve ser cuidadosamente selecionado e anotado para garantir que o algoritmo de IA possa reconhecer com precisão os recursos da imagem.

WiMi desenvolveu um algoritmo de aprendizagem generalizado para análise de imagens de raios X que é projetado para aprender com um conjunto diversificado de imagens de raios X para torná-lo adequado para uso em aplicações do mundo real. O algoritmo é baseado em uma arquitetura de rede neural profunda que é treinada usando um grande e diversificado conjunto de dados de imagens de raios-X. Os conjuntos de dados são agrupados e anotados para garantir que o algoritmo identifique com precisão características de interesse, como densidade óssea, formato de órgão e densidade de tecido. Para melhorar a capacidade de generalização do algoritmo, diversas técnicas como expansão de dados e randomização de domínio são implementadas. A expansão de dados consiste na aplicação de uma série de transformações, como rotação, dimensionamento e inversão, às imagens de raios X originais para criar um conjunto de dados de treinamento maior e mais diversificado. A randomização de domínio envolve adicionar ruído aleatório e perturbações aos dados de treinamento, o que ajuda o algoritmo a generalizar para imagens de raios X novas e inéditas. O algoritmo foi projetado para ser executado em diversas plataformas de hardware, desde CPUs convencionais até GPUs de alto desempenho. Isto o torna adequado para implantação em ambientes reais onde os recursos de hardware podem ser limitados ou variáveis.

O Auto-AIX inclui aquisição, geração e anotação de dados com algoritmos de aprendizado generalizado. A aquisição, geração e anotação de dados são fundamentais para a construção de modelos de aprendizagem profunda. No campo da imagiologia médica, a recolha e utilização de dados reais enfrentam muitas restrições devido à privacidade e confidencialidade do paciente. E o Auto-AIX contorna essas restrições usando dados sintéticos gerados por computador. Especificamente, utiliza CT para modelar imagens de raios X, o que confere aos dados sintéticos uma aparência e detalhes realistas, melhorando assim a precisão do modelo.

No Auto-AIX, a primeira etapa na geração de dados sintéticos é criar um modelo médico, que pode ser modelado usando uma tomografia computadorizada ou uma ferramenta cirúrgica. Então, ao injetar ruído e variações no modelo médico, podem ser geradas múltiplas amostras que cobrem uma ampla gama de situações e variações que podem aparecer em dados reais. Finalmente, essas amostras são anotadas, ou seja, rotuladas manualmente com características e doenças. Estas anotações podem ser aplicadas automaticamente a todos os outros dados sintéticos, poupando assim tempo e custos de mão-de-obra significativos. Esse processo é chamado de "extensão de domínio" no Auto-AIX, pois permite que o domínio de dados sintéticos seja estendido para uma faixa mais ampla de conjuntos de dados.