Blog

Jun 07, 2023

WiMi a développé un algorithme d'apprentissage généralisé de l'automobile

PÉKIN, 15 août 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ : WIMI) (« WiMi » ou la « Société »), l'un des principaux fournisseurs mondiaux de technologies de réalité augmentée (« AR ») pour hologrammes, a annoncé aujourd'hui que un

PÉKIN, 15 août 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ : WIMI) (« WiMi » ou la « Société »), l'un des principaux fournisseurs mondiaux de technologies de réalité augmentée (« AR ») pour hologrammes, a annoncé aujourd'hui que un algorithme d'apprentissage généralisé de l'analyse d'images radiologiques est développé pour les images visualisées par X, le nommant Analyse automatique d'images radiologiques par intelligence artificielle (Auto-AIX).

L'analyse d'images radiographiques est un processus complexe impliquant la détection de diverses caractéristiques telles que la densité osseuse, la forme des organes et la densité des tissus. Traditionnellement, ce processus était effectué manuellement par des professionnels de la santé qui utilisaient leur expertise pour identifier et analyser les caractéristiques. Cependant, cette méthode prend du temps et peut être sujette à des erreurs humaines, conduisant à des erreurs de diagnostic et à un mauvais pronostic pour le patient.

WiMi a exploré l’utilisation d’algorithmes d’intelligence artificielle pour automatiser le processus d’analyse des images radiographiques. Ces algorithmes sont conçus pour apprendre à partir de grands ensembles de données d’images radiographiques et peuvent reconnaître des modèles et des caractéristiques difficiles, voire impossibles à détecter pour les experts humains. En automatisant le processus d’analyse des images radiographiques, les algorithmes d’IA ont le potentiel d’augmenter la vitesse et la précision du diagnostic tout en réduisant la charge de travail des professionnels de santé. Cependant, le développement d’algorithmes d’IA efficaces pour l’analyse d’images radiographiques nécessite un ensemble de données vaste et diversifié d’images radiographiques pour la formation et la validation. Cet ensemble de données doit être soigneusement sélectionné et annoté pour garantir que l’algorithme d’IA puisse reconnaître avec précision les caractéristiques de l’image.

WiMi a développé un algorithme d'apprentissage généralisé pour l'analyse d'images radiographiques, conçu pour apprendre à partir d'un ensemble diversifié d'images radiologiques afin de le rendre adapté à une utilisation dans des applications du monde réel. L’algorithme est basé sur une architecture de réseau neuronal profonde entraînée à l’aide d’un ensemble de données vaste et diversifié d’images radiographiques. Les ensembles de données sont rassemblés et annotés pour garantir que l'algorithme identifie avec précision les caractéristiques d'intérêt telles que la densité osseuse, la forme des organes et la densité des tissus. Afin d'améliorer la capacité de généralisation de l'algorithme, plusieurs techniques telles que l'expansion des données et la randomisation de domaine sont mises en œuvre. L'expansion des données consiste à appliquer une série de transformations, telles que la rotation, la mise à l'échelle et le retournement, aux images radiologiques d'origine pour créer un ensemble de données d'entraînement plus grand et plus diversifié. La randomisation de domaine implique l'ajout de bruit aléatoire et de perturbations aux données d'entraînement, ce qui aide l'algorithme à se généraliser à des images radiographiques nouvelles et invisibles. L'algorithme est conçu pour fonctionner sur une gamme de plates-formes matérielles, des processeurs conventionnels aux GPU hautes performances. Cela le rend adapté au déploiement dans des environnements réels où les ressources matérielles peuvent être limitées ou variables.

Auto-AIX inclut l'acquisition, la génération et l'annotation de données avec des algorithmes d'apprentissage généralisés. L'acquisition, la génération et l'annotation de données sont essentielles à la création de modèles d'apprentissage profond. Dans le domaine de l’imagerie médicale, la collecte et l’utilisation de données réelles se heurtent à de nombreuses restrictions dues au respect de la vie privée et de la confidentialité des patients. Et Auto-AIX contourne ces restrictions en utilisant des données synthétiques générées par ordinateur. Plus précisément, il utilise la tomodensitométrie pour modéliser les images radiographiques, ce qui donne aux données synthétiques une apparence et des détails réalistes, améliorant ainsi la précision du modèle.

Dans Auto-AIX, la première étape de la génération de données synthétiques consiste à créer un modèle médical, qui peut être modélisé à l'aide d'un scanner ou d'un outil chirurgical. Ensuite, en injectant du bruit et des variations dans le modèle médical, plusieurs échantillons peuvent être générés qui couvrent un large éventail de situations et de variations pouvant apparaître dans des données réelles. Enfin, ces échantillons sont annotés, c'est-à-dire en les étiquetant manuellement avec des caractéristiques et des maladies. Ces annotations peuvent être automatiquement appliquées à toutes les autres données synthétiques, économisant ainsi beaucoup de temps et de coûts de main-d'œuvre. Ce processus est appelé « extension de domaine » dans Auto-AIX, car il permet d'étendre le domaine de données synthétiques à une gamme plus large d'ensembles de données.