Добро пожаловать в третий выпуск серии блогов Voxel51, посвященных индустрии компьютерного зрения. В этой серии мы рассказываем, как различные отрасли — от строительства до климатических технологий, от розничной торговли до робототехники и многих других — используют компьютерное зрение, машинное обучение и искусственный интеллект для стимулирования инноваций. Мы углубимся в основные задачи компьютерного зрения, текущие и будущие проблемы, а также компании, находящиеся на переднем крае.

В этом выпуске мы сосредоточимся на здравоохранении! Читайте дальше, чтобы узнать о компьютерном зрении в здравоохранении и медицине.

Обзор отрасли здравоохранения

Ключевые факты и цифры:

Прежде чем мы углубимся в несколько популярных применений технологий искусственного интеллекта на основе компьютерного зрения в здравоохранении, рассмотрим некоторые ключевые проблемы отрасли.

Ключевые отраслевые проблемы в здравоохранении:

  • Рост расходов на здравоохранение: в реальном выражении в США расходы на здравоохранение выросли на 290% с 1980 года. Затраты настолько высоки, что в недавнем опросе Kaiser Family Foundation 43% респондентов заявили, что в результате член семьи отложил или отложил необходимую медицинскую помощь.
  • Нехватка врачей: несмотря на миллионы работников, занятых в сфере здравоохранения, 132 страны испытывают нехватку врачей, и, по оценкам, во всем мире необходимо еще 12,8 миллиона врачей, чтобы решить эту проблему. Ожидается, что к 2034 году Соединенные Штаты столкнутся с нехваткой до 124 000 врачей.
  • ЭМК, требующая больших затрат времени: согласно исследованию, в котором приняли участие 155 000 врачей в США, в среднем врачи тратят более 16 минут на прием к пациенту, используя электронные медицинские карты (ЭМК). Это время было разделено между просмотром диаграмм, документацией и заказом.

Продолжайте читать, чтобы узнать, как компьютерное зрение в здравоохранении позволяет людям жить дольше и здоровее.

Применение компьютерного зрения в здравоохранении

Компьютерное обнаружение и диагностика

В здравоохранении компьютерное обнаружение (CADe) и компьютерная диагностика (CADx) относятся к любым приложениям, в которых компьютер помогает врачу или при понимании и оценке медицинских данных. В контексте компьютерного зрения это обычно означает изображения, полученные с помощью МРТ, КТ, рентгена или другого метода диагностической визуализации. Однако САПР можно даже применять (и применяли) к изображениям лиц, сделанным камерой.

Компьютеры могут помочь врачам в обнаружении, определяя подозрительные области на изображениях и предупреждая врача о них. В некоторых случаях CADe сводится к прогнозированию интересующих областей с высокой достоверностью и проецированию ограничивающих рамок для этих областей на исходное изображение. В других случаях за идентификацией области интереса следует сегментация экземпляра. В других случаях обнаружение аномалий может применяться для выявления аномалий.

Компьютерная диагностика принимает изображения и другую информацию о пациентах в качестве входных данных, а на выходе оценивает вероятность того, что у пациента имеется определенное заболевание или состояние. Например, при диагностике рака это часто означает прогнозирование того, является ли опухоль доброкачественной или злокачественной.

За последние несколько лет системы компьютерного зрения, объединяющие обнаружение и диагностику, достигли выдающихся результатов. Тем не менее, все еще существуют проблемы, которые необходимо преодолеть: от высоких показателей ложноположительного обнаружения до внедрения этих технологий в существующие системы и рабочие процессы.

Вот несколько статей об использовании компьютерного зрения для обнаружения и диагностики:

Вот несколько статей, демонстрирующих перспективность моделей-трансформеров для помощи медицинским работникам в диагностических процессах:

Мониторинг прогрессирования заболевания

Помимо обнаружения отклонений и диагностики заболеваний, компьютерное зрение можно использовать для точного отслеживания прогрессирования заболевания с течением времени. Точно так же, как врач измеряет вес, рост и артериальное давление пациента во время обследования и сравнивает их с прошлыми измерениями пациента для оценки его здоровья, модели компьютерного зрения позволяют врачам отслеживать различные заболевания, сравнивая маркеры на биомедицинских изображениях, сделанных в разные моменты исследования. время.

В некоторых случаях прогрессирование можно отслеживать путем точного отслеживания размера таких объектов, как полости или поражения. В более общем плане приложения компьютерного зрения для мониторинга прогрессирования заболевания характеризуются моделью глубокого обучения, присваивающей числовой балл изображению или видео. Эти баллы позволяют врачам количественно оценить тяжесть и время начала заболевания у конкретного пациента.

Точно отслеживая прогрессирование, модели компьютерного зрения могут помочь врачам быстрее обнаружить начало заболевания. Что касается глаукомы, исследование 2018 года пришло к выводу, что глубокое обучение ускоряет время обнаружения более чем на год.

Хотя приложения компьютерного зрения для мониторинга заболеваний в основном включают применение моделей машинного обучения к изображениям, существуют также приложения, использующие видеоданные. «В статье 2022 года исследователи обнаружили, что, оценивая модели движений пациентов с болезнью Паркинсона, когда они встают со стула, исследователи могут точно оценить тяжесть заболевания. Чтобы интерпретировать движение пациента, исследователи оценивали позу пациента в каждом кадре, а затем количественно определяли скорость и плавность движения на всех видеокадрах.

Некоторые документы для начала:

Предоперационное хирургическое планирование

Предоперационное хирургическое планирование (часто сокращенно хирургическое планирование) включает в себя всю визуализацию, моделирование и создание чертежей, которые будут использоваться во время последующей хирургической процедуры. Хирургическое планирование чаще всего используется при нейрохирургии, челюстно-лицевой или косметической хирургии, но его можно применять и перед любой операцией. Исследования показали, что использование цифровых шаблонов и другие методы предоперационного планирования могут сократить затраты в операционной и сократить время операции, а для пожилых людей это даже связано с более низким уровнем 90-дневной смертности.

Компьютерное зрение глубоко укоренилось в истории предоперационного планирования: еще в 1970-х годах компьютерная томография и другие формы диагностической визуализации начали делать возможным построение анатомических моделей. Эти данные изображения используются для создания 2D-проекций, называемых шаблонами, 3D-цифровых реконструкций или даже 3D-печатных моделей. Модели затем позволяют хирургам исследовать различные подходы и пути входа перед операцией, сводя к минимуму время операции и инвазивность.

В последние годы применение новых технологий, таких как глубокое обучение и виртуальная реальность, в предоперационном планировании начало еще больше оптимизировать хирургию. Согласно недавнему исследованию, в котором приняли участие 193 случая операций на колене, предоперационное планирование на основе искусственного интеллекта потенциально может сократить среднее количество интраоперационных коррекций, которые должен сделать хирург, до 50%. Среди достижений, способствующих этому сокращению, прецизионное расположение анатомических ориентиров (обнаружение ключевых точек) приводит к повышению точности выбора подходящего размера протеза, а модели глубокого обучения могут использоваться для определения и оценки потенциальных траекторий хирургических инструментов.

Вот несколько статей об ИИ в предоперационном планировании:

Интраоперационное хирургическое руководство

Искусственный интеллект и компьютерное зрение также используются в операционной, чтобы сделать операции более плавными и менее инвазивными. Одной из объединяющих тем интраоперационного интеллекта является компьютерная навигация. Эти приложения черпают вдохновение из традиционной робототехники, используя оценку глубины и одновременную локализацию и картографирование эндоскопических изображений.

В хирургии под визуальным контролем хирург использует визуальную и пространственную информацию в реальном времени для более точной навигации. Эта технология лежит в основе минимально инвазивных хирургических (МИС) процедур. Интраоперационные изображения также можно объединить с предоперационными изображениями в средах дополненной реальности.

Хотя это еще далеко не повсеместное распространение, мы также начинаем видеть, как навигация с использованием компьютерного зрения, принятие решений на основе искусственного интеллекта и маневренность роботов объединяются в частично и даже полностью автономные роботизированные хирургические системы. В прошлом году исследователи из Университета Джонса Хопкинса создали Автономного робота Smart Tissue Autonomous Robot (STAR), который автоматизировал 83% задач по наложению швов на тонкую кишку, сочетая отслеживание движения тканей и отслеживание анатомических ориентиров с помощью моторизованного сшивающего инструмента.

Вот несколько статей о применении компьютерного зрения во время операции:

Обзор применения ИИ в хирургии, включая предоперационные и интраоперационные применения, можно найти в следующих статьях:

Помощь людям с потерей зрения

Во многих приложениях компьютерного зрения модели искусственного интеллекта используются для выполнения задач, позволяющих освободить людей от утомительной или опасной работы. Пожалуй, нигде освободительный эффект компьютерного зрения на людей не проявляется так ярко, как при оказании помощи людям с потерей зрения. Помогая людям со слепотой или ограниченным зрением составить карту своего окружения и ориентироваться в помещении и на открытом воздухе, компьютерное зрение облегчает им жизнь самостоятельно, посещение работы и учебы.

Методы компьютерного зрения для помощи слабовидящим охватывают диапазон от распознавания объектов и распознавания лиц до проверки денежных знаков и навигации.

Несколько статей, которые заинтересуют вас:

Другой ИИ в здравоохранении

Эти выделенные приложения лишь приоткрывают поверхность того, как искусственный интеллект преобразует здравоохранение и оказание медицинской помощи в 2023 году. Компьютерное зрение также используется для автоматического подсчета клеток, сделать операционные умнее, облегчить обучение медицинским навыкам, и помощь в посттравматической реабилитации.

Помимо компьютерного зрения, искусственный интеллект революционизирует то, как мы обрабатываем, понимаем и извлекаем информацию из биомедицинских данных. В 2019 году, после выпуска большой языковой модели двунаправленного кодировщика (BERT) Google, группа исследователей из Корейского университета и Clova AI опубликовала BioBERT: предварительно обученную модель биомедицинского языкового представления для биомедицинского анализа текста. За прошедшие годы большие языковые модели, такие как BioBERT, в том числе Med-BERT и BEHRT (для электронных медицинских карт) и Клинический BERT, использовались для генерации гипотез и открытия знаний, диагностики и диагностики. Прогнозирование повторной госпитализации».

Совсем недавно Medical ChatGPT, BioGPT от Microsoft и BioMedLM показали, что модели генеративного предварительно обученного трансформатора (GPT) — та же архитектура, что лежит в основе ChatGPT — могут показывать впечатляющие результаты в биомедицинских задачах. Ожидается, что эта тенденция усилится в ближайшие месяцы.

Двойная доза осторожности

Хотя предвзятости, присущие моделям искусственного интеллекта, могут иметь непредвиденные и зачастую нежелательные последствия во всех отраслях, в здравоохранении, если модели ИИ не используются с тщательным рассмотрением, они могут усугубить существующее неравенство и принести больше вреда, чем пользы. Для подробного обсуждения этих вопросов посетите следующие ресурсы:

Компании, находящиеся на переднем крае компьютерного зрения в здравоохранении

.люмен

Основанная в 2020 году, компания .lumen ставит перед собой задачу помочь людям с нарушениями зрения во всем мире — численность населения, которое, как ожидается, к 2050 году достигнет 100 миллионов человек. Основана компанией Cornel Amariei и в ее штате работают более 50 инженеров, ученых и технологов. , первый румынский стартап в области глубоких технологий создает очки с искусственным интеллектом, которые дают людям с ослабленным зрением повышенную мобильность. Эта дополнительная свобода потенциально может позволить миллионам людей учиться, делать карьеру и жить без посторонней помощи.

Работая с более чем 600 слепыми людьми, компания .lumen разработала очки, повторяющие основные функции собаки-поводыря, такие как помощь вам в обход препятствий, реагирование на команды и даже мягкое подтягивание вас в правильном направлении. Разница: дрессировка собак-поводырей может стоить до 50 000 долларов, что делает их недоступными для большинства слепых людей.

Очки компании состоят из шести отдельных камер, которые вместе записывают почти 10 ГБ данных в минуту. Используя информацию от этих встроенных камер, очки .lumen интерпретируют окружающую среду с помощью задач компьютерного зрения, включая обнаружение объектов, классификацию изображений, семантическую сегментацию и оптическое распознавание символов, и все это с точностью до сантиметра. Очки также оснащены функциями преобразования речи в текст и текста в речь. Хотя некоторые задачи, такие как чтение, улучшаются благодаря подключению к Интернету, все выводы, связанные с безопасностью, выполняются на периферии.

Визуальная информация передается человеку, носящему очки, посредством звука и прикосновения. Чтобы добиться этого, компания использует передовые технологии искусственного интеллекта и робототехники для интеграции визуальных, слуховых и тактильных систем. В общем, задержка очков составляет менее 100 мс.

В 2021 году .lumen получила финансирование в размере 9,3 миллиона евро от Совета по инновациям Европейского Союза и получила награду Red Dot: Luminary за дизайн своей гарнитуры. В 2022 году румынский стартап был удостоен звания Пионер глубоких технологий.

Будущая рождаемость

В 2021 году 2,4% всех родов в США были зачаты с помощью вспомогательных репродуктивных технологий (ВРТ), таких как экстракорпоральное оплодотворение (ЭКО). Однако ЭКО может быть довольно дорогим: стоимость одного цикла доходит до 30 000 долларов. Более того, в 67% случаев первый цикл ЭКО матери не приводит к беременности.

Канадский биотехнологический стартап Future Fertility использует искусственный интеллект и компьютерное зрение, чтобы открыть новую эру персонализированной медицины бесплодия, чтобы помочь врачам, эмбриологам и пациентам принимать более обоснованные решения на пути к зачатию.

Все начинается с ооцита. Ооциты — это женские яйцеклетки, которые извлекаются из яичников в ходе замораживания яйцеклеток и процедур ЭКО. В процессе ЭКО яйцеклетка позже оплодотворяется и образуется эмбрион. Таким образом, качество ооцитов является важным фактором, определяющим исход цикла ЭКО. Тем не менее даже тренированному глазу эмбриолога сложно оценить качество ооцита по визуальным признакам. Это контрастирует с эмбрионами, где ручная оценка была возможной и надежной с использованием надежной системы оценок в качестве стандарта лечения на протяжении многих лет.

Чтобы восполнить этот пробел, компания Future Fertility разработала запатентованное неинвазивное программное решение, которое обеспечивает персонализированную оценку качества ооцитов путем анализа отдельных 2D-изображений ооцитов, полученных в лабораториях репродуктивной медицины. Программное обеспечение может генерировать отчеты как о замораживании яйцеклеток, так и о замораживании яйцеклеток. пациенты и пациенты ЭКО, которые оценивают вероятность формирования бластоцисты в каждом ооците (эмбрион на 5 или 6 день). Это не только обеспечивает столь необходимую стандартизацию и объективность процесса оценки ооцитов, но и программное обеспечение также прогнозирует результаты бластоцисты более чем на 20% точнее, чем эмбриологи. Полученные отчеты позволяют специалистам по репродукции лучше управлять ожиданиями своих пациентов в отношении успеха беременности и помогают принимать решения о лечении для будущих циклов, понимая качество личных ооцитов их пациенток в сравнении со статистикой здоровья населения с учетом возраста.

Одной из основных проблем, которые компания Future Fertility преодолела при разработке своей модели, было создание высококачественного набора данных. Их решение, основанное на глубоких нейронных сетях, было обучено и протестировано с использованием более 100 000 изображений ооцитов, охватывающих разные страны, результаты, лабораторное оборудование и различное качество изображений. Чтобы узнать больше о том, как компания Future Fertility сформулировала проблему и разработала решение с помощью машинного обучения, прочтите эту содержательную публикацию в блоге их команды.

В начале 2022 года компания привлекла раунд финансирования А на сумму 6 миллионов долларов.

Хологик

Корпорация Hologic, торгуемая на Nasdaq и специализирующаяся на женском здоровье, прокладывает путь в обнаружении рака молочной железы с помощью искусственного интеллекта. Имея почти 7000 сотрудников, тысячи патентов и присутствие в 36 странах, Hologic участвует в бесчисленных скрининговых, диагностических и лабораторных технологиях, включая набор решений для 2D и 3D медицинской визуализации.

Технологии Hologic 3DQuorum и Genius AI Detection используют глубокое обучение, чтобы сделать обнаружение рака молочной железы более быстрым, безопасным и точным. Традиционно двумерные рентгеновские снимки, известные как маммограммы, были неотъемлемой частью скрининга рака молочной железы. В последнее время получила распространение технология трехмерной визуализации, называемая томосинтезом, благодаря которой увеличенная размерность изображений позволяет повысить чувствительность и специфичность.

При традиционном томосинтезе используются срезы толщиной 1 мм, поэтому для просмотра всех срезов изображения для скрининга рентгенолог должен просмотреть 240 изображений. 3DQuorum от Hologic

Технология визуализации анализирует группы срезов толщиной 1 мм с использованием алгоритмов компьютерного обнаружения и синтезирует новые изображения для каждой группы, объединяя клинически значимые области. Получаемые изображения представляют собой синтетические срезы толщиной 6 мм, называемые SmartSlices, которые позволяют рентгенологам экономить час в день без снижения производительности.

Компьютерная система обнаружения Hologic Genius AI Detection была обучена на большом количестве клинических данных для обнаружения поражений на изображениях томосинтеза молочной железы. Он использует модель Faster-RCNN для определения потенциально релевантных регионов, модели U-Net для сегментации и модели Inception для классификации. Genius AI Detection имеет отдельные модули для областей интереса, содержащих поражения мягких тканей, и областей, содержащих скопления кальцификации. Каждому выявленному поражению присваивается балл на основе уверенности модели в том, что поражение является злокачественным. В клинических исследованиях рентгенологи, которым помогала Genius AI Detection, продемонстрировали улучшенную чувствительность и достигли более высокой площади под кривой (AUC), чем те, у кого не было этого метода.

Итеративное здоровье

Компания Iterative Health, основанная в 2017 году после визита генерального директора Джонатана Нг в Камбоджу, была создана для того, чтобы предоставить точную медицину всем, независимо от местоположения или социально-экономического положения. Стартап серии B, который привлек более $193 млн от инвесторов, включая Insight Ventures и Obvious Ventures, ориентирован на применение искусственного интеллекта и компьютерного зрения в гастроэнтерологии (GI).

Один из их флагманских продуктов, SKOUT, применяет методы обнаружения объектов к изображениям, передаваемым с колоноскопических видеопотоков в режиме реального времени, для обнаружения полипов и аденом. С помощью SKOUT врачи могут выявлять на 27% больше аденом за одну колоноскопию.

В некоторых приложениях компьютерного зрения сложнее всего идентифицировать небольшие объекты. Однако при компьютерном обнаружении полипов, когда устройства обнаруживают увеличенное количество полипов, эти полипы по большей части имеют миниатюрные размеры (‹5 мм) и, как следствие, с меньшей вероятностью указывают на проблемы со здоровьем. SKOUT демонстрирует расширенные возможности обнаружения как маленьких, так и больших полипов.

Кроме того, SKOUT предназначен для интеграции в существующие рабочие процессы врачей. Согласно исследованию, опубликованному в журнале Gastroenterology, колоноскопия с использованием SKOUT не занимает значительно больше времени.

В конце 2022 года Iterative Health получила разрешение FDA на свое устройство для обнаружения полипов на основе искусственного интеллекта.

Пикси Медикал

Французский производитель медицинского оборудования Pixee Medical, основанный в 2017 году, использует компьютерное зрение, искусственный интеллект, дополненную и виртуальную реальность для трансформации ортопедической хирургии. Хирургические очки дополненной реальности (AR) Pixee Medical помогают хирургам выполнять операции с высокой точностью, сводя к минимуму инвазивность.

В основе технологии Pixee лежит набор современных алгоритмов отслеживания, которые используют данные монокулярной камеры, встроенной в очки, для обнаружения объектов размером менее 1 мм в трехмерном пространстве, даже если хирургическое оборудование частично закрывает отслеживаемые объекты. Эти алгоритмы определения местоположения и отслеживания позволяют хирургическим бригадам определять положение анатомических ориентиров (маркеров ключевых точек на теле человека) без инвазивных датчиков или дорогостоящей визуализации.

В 2021 году компания запустила Knee+, решение для артропластики коленного сустава, которое помогает хирургам ориентироваться во время операции с помощью AR-очков. Хирургические инструменты маркируются QR-кодами, которые позволяют точно локализовать их в 3D. Очки интегрируют эту информацию для расчета углов выравнивания протеза, а затем проецируют эту информацию в виде голограммы на сцену.

В марте 2023 года компания стала участником первой программы French Tech Health20.

БезопасноВы

Компания SafelyYou со штаб-квартирой в Сан-Франциско разрабатывает решения на основе искусственного интеллекта и компьютерного зрения для создания более безопасной среды для более 55 миллионов человек во всем мире, живущих с деменцией. Компания была основана в 2016 году генеральным директором Джорджем Нетшером на основе его докторских исследований в лаборатории Berkeley AI Research (BAIR) и мотивирована опытом борьбы с болезнью Альцгеймера в его семье. С тех пор компания собрала более 61 миллиона долларов на использование искусственного интеллекта для обнаружения и предотвращения падений.

SafelyYou работает в сообществах престарелых, где они применяют модели к каждому кадру из текущих видеокамер, чтобы определить, находится ли кто-то на земле. Их модели настроены на высокую запоминаемость, а их ведущие в мире технологии подкреплены мнениями клинических экспертов, которые сотрудничают с персоналом на месте, определяя наилучшие меры вмешательства для предотвращения падений в будущем.

Модель обнаружения падений SafelyYou обнаруживает более 99% событий на земле, и когда происходит падение, их системы предупреждают лиц, осуществляющих уход, в режиме реального времени. Чтобы достичь такого уровня точности, они решают проблемы, включая обнаружение в загроможденной среде, крайние случаи, когда люди не находятся на земле, но находятся в уязвимом положении, а также всеобъемлющая реальность, которая падает, — это события с длинным хвостом: видеоматериалов гораздо больше. людей не на земле, чем людей на земле. На сегодняшний день они обнаружили более 100 000 падений, а благодаря немедленной помощи жильцов и улучшению результатов SafelyYou удваивает среднюю продолжительность пребывания.

Основываясь на оглушительном успехе своей технологии обнаружения падений, в январе 2023 года SafelyYou объявила о запуске SafelyYou Aware, которая каждую ночь предоставляет ежечасные видеооценки от членов команды SafelyYou для оценки рисков для безопасности жильцов.

Другие компании, делающие успехи:

  • Aidence: недавно приобретенная компанией RadNet, компания Aidence поставляет радиологические решения на основе искусственного интеллекта для обнаружения узлов рака легких и других заболеваний.
  • Депюи Синтез: дочерняя компания Johnson & Johnson. Платформа VELYS Hip Navigation для улучшения результатов хирургических операций.
  • Интуитивная хирургия: компания Intuitive Surgical, известная своей хирургической системой да Винчи, использует передовую робототехнику, компьютерное зрение и искусственный интеллект для оказания помощи в хирургических процедурах и даже для обеспечения удаленных операций.
  • Qynapse: французский стартап в области нейровизуализации, применяющий сегментацию поражений белого вещества при МРТ.

Наборы данных и проблемы отрасли здравоохранения

Национальные институты здравоохранения играют центральную роль в создании и поддержании общедоступных наборов данных, связанных со здоровьем, включая наборы данных машинного обучения и компьютерного зрения, такие как DeepLesion, OASIS и ChestX-ray8. Тем не менее, они далеко не единственные игроки в городе. Вот некоторые из наиболее популярных общедоступных наборов данных и проблем на стыке компьютерного зрения, машинного обучения и здравоохранения:

Рак

Рентгенография грудной клетки (CXR)

  • CheXpert: набор данных от Стэнфордской группы ML, содержащий 224 316 рентгенограмм грудной клетки (фронтальная и боковая проекции), а также результаты соответствующего конкурса.
  • ChestX-ray14: набор данных Клинического центра NIH, состоящий из 112 120 рентгеновских изображений в прямой проекции от 30 805 уникальных пациентов. Датасет тоже есть на Kaggle.
  • PadChest: набор данных, содержащий более 160 000 рентгеновских снимков грудной клетки с высоким разрешением, а также соответствующие метаданные пациентов и случаев. Отчеты содержат 174 различных типа радиографических меток.
  • MIMIC-CXR-JPG: рентгенограммы грудной клетки со структурированными метками из Аукциона медицинской информатики для интенсивной терапии Массачусетского технологического института.

МРТ

  • IVDM3Seg: коллекция из 24 мультимодальных наборов данных МРТ для локализации и сегментации межпозвоночных дисков (МПД).
  • MRNet: набор данных МРТ коленного сустава от Stanford ML Group, включающий 1370 исследований МРТ коленного сустава.

Другие замечательные источники

  • MedPix: MedPix из Национальной медицинской библиотеки содержит интегрированные текстовые и графические данные по 12 000 случаев пациентов. Эти данные доступны для поиска по модальности, теме, ключевому слову и т. д.
  • Grand Challenge: платформа для алгоритмов, задач и комплексных решений машинного обучения в приложениях биомедицинской визуализации.

Если вы хотите, чтобы какой-либо из этих или других наборов данных компьютерного зрения, связанных с медициной или здравоохранением, был добавлен в Зоопарк наборов данных FiftyOne, свяжитесь с нами, и мы сможем работать вместе, чтобы это произошло!

Модели и рамки отрасли здравоохранения

Если вы зашли так далеко, то вас могут заинтересовать:

  • Med-PaLM: мультимодальная модель большого языка от Google, которая может синтезировать информацию из медицинских изображений, таких как рентгеновские снимки и маммограммы.
  • MedSAM: модель Segment Anything Model, настроенная для данных медицинских изображений, выпущенная 24 апреля 2023 г.
  • MONAI: Медицинская открытая сеть для искусственного интеллекта — набор фреймворков с открытым исходным кодом, связанных с медицинской визуализацией.

Подождите, что такое FiftyOne?

FiftyOne — это набор инструментов машинного обучения с открытым исходным кодом, который позволяет группам специалистов по обработке данных повышать производительность своих моделей компьютерного зрения, помогая им управлять высококачественными наборами данных, оценивать модели, находить ошибки, визуализировать встраивания и быстрее переходить к производству. Он поддерживает все: от облаков точек до DICOM!

Присоединяйтесь к сообществу FiftyOne!

Присоединяйтесь к тысячам инженеров и специалистов по обработке данных, которые уже используют FiftyOne для решения некоторых из самых сложных проблем в области компьютерного зрения сегодня!

Что дальше?

  • Изучите набор данных ChestX-ray14 бесплатно в своем браузере на сайте try.fiftyone.ai!
  • Узнайте, как компьютерное зрение влияет на сельское хозяйство и производство, в наших первых двух отраслевых публикациях в блоге.
  • Если вам нравится то, что вы видите на GitHub, дайте проекту звезду.
  • "Начать!" Мы позаботились о том, чтобы начать работу за несколько минут.
  • Присоединяйтесь к Slack-сообществу FiftyOne, мы всегда рады помочь.

Оригинально опубликовано на сайте https://voxel51.com 31 августа 2023 г.