选自NiftyNet 作者:Eli Gibson等 机器之心编译 参与:蒋思源、李亚洲 近日,外科研究中心 WEISS、UCL 医疗影像计算中心(CMIC)和 HIG 等研究机构共同开源了 NiftyNet,即基于卷积神经网络的医疗影像分析平台,它为研究社区提供一个开放的机制来使用、适应和构建各自的医疗影像研究成果。 NiftyNet 是一个基于 TensorFlow 的开源卷积神经网络平台,来研究医疗影像分析和影像导向的治疗。NiftyNet 有着模块化的架构设计,能够共享网络架构和预训练模型。使用该模块
导语 | 我们是业内首个在保证与私有化部署流畅程度相当的使用体验的前提下,成功完成对医疗影像工作站进行“云化”的联合团队。作为联合团队的一员,云渲染团队利用行业领先的实时图像渲染技术、显卡虚拟化技术、实时音视频交互技术,将医疗影像软件"云化",部署在腾讯云的主机上,医生可以通过给定的接口直接访问医疗影像软件,通过上传或者导入已存储在云端的数据,方便流畅的完成诊断工作。在常见网络环境下,帧率稳定在40fps,满足医疗影响软件预定的帧率目标(35-45fps),端到端时延稳定在50-70ms,达到了私有化
https://www.zhihu.com/question/269914775/answer/586501606
AI 科技评论按:本文作者为圣母大学(University of Notre Dame)博士后徐小维,他为 AI 科技评论撰写了基于 CVPR 录用论文《Quantization of Fully Convolutional Networks for Accurate Biomedical Image Segmentation》的独家解读稿件,未经许可不得转载。 来自美国圣母大学和华中科技大学的研究者们提出了一种利用网络量化提升用于医疗影像分割的深度学习模型精度的优化方法。该方法创新性地将旨在压缩网络模型的
近日,腾讯优图首个医疗AI深度学习预训练模型MedicalNet正式对外开源。这也是全球第一个提供多种3D医疗影像专用预训练模型的项目,将为全球医疗AI发展提供基础。 许多研究表明,深度学习的发展非常依赖数据量。自然图像领域中存在着许多海量数据集,如ImageNet,MSCOCO。基于这些数据集产生的预训练模型推动了分类、检测、分割等应用的进步。不同于自然图像,医疗影像大部分都是3D结构形态的,同时,由于数据获取和标注难度大,数据量稀少,目前尚未存在海量数据集及对应的预训练模型。 MedicalNet
专注于超声人工智能动态医学影像分析的初创公司深至科技在上周宣布完成B轮亿元级融资。
身处医疗危机当中,时间一分一秒的流失,就代表宝贵生命的逝去。 开发中国家面临严重医疗危机,他们缺乏最新的医疗器材、人员及专业能力。 位于杜拜的远距诊断医疗服务机构 AlemHealth 企图改善现况。该机构采用 GPU 技术的 AlemBox 是一项先进的病患照护设备,让远在阿富汗喀布尔的九处医疗院所得以运用全球放射科医师及其它专科医师网络,快速获得精确的诊断结果。 战争内乱冲突不断的喀布尔,电力及网络基础建设匮乏,使得医疗院所无法备有传统昂贵的健检 IT 系统。但是使用搭载NVIDIA Tegra K1
由于培养投入大,周期长,医护人员的数量在短时间内很难大幅度增加,而人工智能技术可以辅助医疗工作,缓解当前医护资源不足的状况。
Shahrokh Valaee 教授和博士生 Hojjat Salehinejad 正在使用机器学习创建虚拟 X 射线胸透影像来训练 AI 系统识别罕见疾病。摄影:Jess MacInnis
旗下顶级AI实验室腾讯优图,对外开源了腾讯首个医疗AI项目——深度学习预训练模型MedicalNet。
“都消失了。”Jeet Samarth Raut 的母亲在进行一次放射线扫描后听到这个好消息。 两周后,另一名医师的检查结果表示是乳癌。当然科技能做到更好的诊断水平,年轻的创业者利用 NVIDIA GPU 的深度学习软件来减少误诊的数量。 无论在 Raut 位于伊利诺州乡下的老家(也是他的母亲开始接受治疗和复原的地方)或是在开发中国家,扫描、认知和解读方面的错误不利于正确进行诊断。 Raut 和他的创业伙伴与哥伦比亚大学校友 Peter Wakahiu Njenga 共同在纽约创立了 Behold.ai这家
许多研究表明,深度学习的发展非常依赖数据量,在医疗图像领域,目前缺乏基于大数据基础的专用预训练模型。 本项目MedicalNet将多个3D医疗数据集集合成大数据集,基于此数据集提供了完整的3D-ResNet系列预训练模型与相应的迁移学习训练代码。 MedicalNet适用的场景 MedicalNet提供的预训练网络可迁移到任何3D医疗影像的AI应用中,包括但不限于分割、检测、分类等任务。 尤其适用小数据医疗影像AI场景,能加快网络收敛,提升网络性能。 MedicalNet功能介绍 支持单卡、多卡训练 支持
现在的互联网智慧医疗系统拥有强大的技术优势,支持连接政府、医疗服务机构、医药研发与流通、康养等,构建医疗大健康产业云生态,助力数字化升级。【数商云】医疗系统平台开发服务商依托基础设施能力、人才优势与大数据、人工智能等技术积累,助力医疗大健康产业智慧化升级。我们拥有丰富的产品及解决方案,整合各大互联网技术渠道、视频和支付等产品及合作伙伴的产品服务,为互联网全医疗医药行业提供全流程的医疗大健康解决方案。基于【数商云】公司互联网技术与服务,建立机构与机构之间、机构与用户之间的强连接,助力全方位、全生命周期的智慧医疗管理系统大健康产业发展。通过构建全链条产业生态来打造开放式远程医疗系统平台,构建覆盖医疗、康养、医药、器械、流通、保险、服务等全链条的医疗大健康生态。
【新智元导读】从传统 CAD 发展到今天深度学习驱动的智能医疗影像系统,新技术的兴起和应用为医疗领域带来了哪些变化?智能医疗影像系统离常规临床应用还有多远?特别是,身在这波澜壮阔的技术变革进程中的专家、放射科医生和创业者,他们有什么感受和感悟?深度学习在这一领域的应用还面对哪些技术上的挑战?希望这份来自医疗行业和创业者口述的第一手材料,能给您提供一些参考。 图像识别是深度学习等 AI 技术最先突破的领域,而在 AI 与医疗场景的结合中,目前看来,基于深度学习技术的医疗影像的识别与分析,也很可能会在整个智
在医改大政策风向标的背后,是资本逐鹿试水,商业试错。互联网+医疗成为构建新时代下智慧医疗的生态圈。但是,医疗信息化就等于真正的智慧医疗吗?或者说只是智慧医疗的基础?若论更加务实的智慧医疗则是在信息化基
【新智元导读】医疗影像智能分析在智能医疗各领域中都属于发展较快的一支。国内外涌现了一批将 AI 技术应用于医疗影像识别和分析的初创公司。然而,在具体的技术落地过程中,这些公司往往会遇到一些特定的难题。在此,我们和大家分享一个在英特尔技术支持下,由浙江大学数理学院和浙江德尚韵兴图像科技有限公司成功开发的智能医疗影像诊断系统的案例。该系统的任务是识别和分析影像中的甲状腺结节以及良恶性。从这一案例中,可以看到,英特尔系统化的计算硬件和所支持的丰富的计算结构和框架,为开发者快速开发提供了有力武器,并且与其生态环境合
而且这份手册展示的不光有趋势分析、技术规划,还展示了诸多案例,是实践实战后的全面总结。
【新智元导读】4月18日,清华大学《人工智能前沿与产业趋势》系列讲座第四讲,深睿医疗首席科学家、美国计算机协会杰出科学家、IEEE Fellow俞益洲为大家介绍了目前计算机视觉的应用和落地,特别是在医疗影像方面的发展状况、遭遇的挑战、以及克服挑战的思路。最后和清华大学自动化系副教授、博导鲁继文以及知名天使投资人、梅花创投创始合伙人吴世春一起对计算机视觉的落地机会进行了畅想。
最新全球疾病负担研究(Global Burden of Disease Study,GBD)显示,我国总体卒中终生发病风险为39.9%,位居全球首位,这意味着中国人一生中每5个人约有2个人会罹患卒中;在我国,每年心脏猝死的发生率为41.84例/10万人,按13亿人算就是54.4万人,居全球之首。
2019年2月7日,武汉某医院急诊科,武汉理工大学职工黄先生(化名)因为胸痛在值班医生的安排下刚刚做完心脏CT,正在焦急等待结果。这一天正好是正月初三,门诊尚未开放,彼时的急诊大厅里乌泱泱全是各种看病的患者,值班医生桌前围满了病患,CT室门前更是“门庭若市”,焦虑写在每一个在走廊里的患者或家属身上,与春节的喜庆格格不入。
但是在AI的诊断结果逐渐接近专业医师之后,AI诊断使用的医学影像数据又该如何处置呢?
随着新一代人工智能技术发展,沃森、阿尔法医生等“机器人医生”正在逐步进入医院。它们的临床价值有多大?进医院“执业”面临几道槛?来自企业、高校、律所的专家对此进行了深入分析。 有望缓解我国医疗资源不平衡 国际商用机器公司(IBM)沃森授权运营商——杭州认知网络科技有限公司总经理华松鸳介绍,沃森是采用认知计算技术的超级计算机,能模拟人的思维逻辑,学习海量医学文献,具有自然语言理解能力,可以学习自然语言文本、医学影像等非结构化信息。IBM与纪念斯隆·凯瑟琳癌症中心(MSKCC)合作,为沃森输入44家美国医疗机
近年来,深度学习被广泛应用在医学影像分析的相关任务上,并获得巨大的性能提升。众所周知,深度学习需要大量数据来拟合巨大的参数空间,然而在大部分医疗场景中,获取高质量的医疗数据、以及高质量的标注是相当困难的。因此,应对医疗数据小样本特性,充分挖掘医疗数据的结构化信息,成为近年来学术界关注的热点。本次分享就是针对这一背景的一些尝试,主要从挖掘医疗数据的独有特性提升分割性能以及利用医疗数据的结构化先验训练自监督模型等角度切入,以期为大家提供若干可以参考的思路。 报告时间:2019年7月23日 19:30-21:0
“ 精英人才培养计划是一项校企联合人才培养项目,入选学生将受到业界顶尖技术团队与高校导师的联合指导及培养。培养期间,学生将获得3个月以上到访腾讯开展科研访问的机会,基于真实产业问题及海量数据,验证学术理论、加速成果应用转化、开阔研究视野。同时项目组将引进沟通技巧、商业分析、创新思维等定制课程,定期举办线上线下交流活动,全面提升学生综合素质。入选学生还将获得线上实名社群平台“十分精英圈”的在线访问权限,结识志同道合的科研伙伴,获取业界信息及资源。 ” 今年共有10大方向,81个子课题 上期介绍了机器人
自 2012 年 AlexNet 挑战 ImageNet 获得巨大成功以来,用于图像领域的深度学习算法以令人目不暇接的速度飞速演化着。通用图像领域中,有明确边界的问题,例如特定类别有标注数据的物体检测、定位、识别,乃至特定场景的图像生成、一定精确度内的图像分割,都出现了令人更新认知的深度学习解答。 目前,站在深度学习研究一线的计算机视觉研究者们,有相当一部分深入到更细分的、与应用场景联系更紧密的任务中,同时扩展算法能够覆盖的数据类型。 2018 年,在医疗影像这个分支中,来自加州的人工智能医疗公司体素科技,结合自身产品线的开发路径,发表了多篇论文,论文探讨了如何利用深度学习算法临床决策支持:例如用端到端算法处理影像中分割问题、 配准问题,以及如何在标注数据有限,且迁移学习困难的情况下,利用代理监督和联合训练获得更好的模型效果。以下为论文介绍:
11月4日,为期2天的腾讯数字生态大会在湖北武汉落下帷幕。 40+行业专场深度解读,100+前沿科技成果亮相,150+创新服务全景呈现,300+大咖嘉宾思维碰撞……腾讯数字生态大会汇聚了全球智慧洞察产业新机遇,描绘云、AI、大数据等关键技术发展蓝图,展示腾讯最新研究成果及战略规划。 大会上,腾讯安全云鼎实验室提出的云安全相关议题成为行业共同关注的焦点。随着云计算的发展,云上安全成为各行业绕不开的重要议题。企业在当下数字经济环境中想获得高质量发展、提高效能,数字化是必经之路,而“上云”是其中的关键步骤和大势
新智元报道 编辑:张乾 【新智元导读】四川大学华西医院与依图医疗合作研发国内首个肺癌临床科研智能病种库和全球首个肺癌多学科智能诊断系统,让人工智能走向临床科室,也给AI医疗创造了更多想象空间。
为了产生 3D 医疗影像的预训练模型,MedicalNet 聚集多个来自不同 3D 医疗领域的语义分割小规模数据集,并提出了基于多分支解码器的多域联合训练模型来解决数据集中的标注缺失问题。
机器之心原创 作者:邱陆陆 以影像为基础,融合多模态数据提供自动转诊能力、提供确诊决策支持、提供初级影像报告,这就是全病种医疗影像阅读者给出的愿景。 在医疗影像领域最知名的一些公开数据集中,BRATS 关注脑部图像中脑肿瘤的检测和分割,LUNA16 旨在从胸片中检测肺结节,而以 Kaggle Diabetic Retinopathy Challenge 2015 为代表的多个数据集则关注糖尿病视网膜病变程度分类。在这些面向某一特定病种的任务上,研究者都已经取得了精确度不错的成果。然而从一个好的分类模型到临床
机器之心报道 机器之心编辑部 3 月 23 日,在机器之心 AI 科技年会上,数坤科技研发副总裁危夷晨发表了主题演讲《AI 在医疗影像的应用和探索》,对 AI + 医疗影像行业进行了全面的介绍。 以下为危夷晨在机器之心 AI 科技年会上的演讲内容,机器之心进行了不改变原意的编辑、整理: 感谢机器之心邀请我来参加这次活动,我是数坤科技的危夷晨。 我长期从事计算机视觉方面的科研和产品研发,之前在旷视科技和微软亚洲研究院工作。最近我加入了数坤科技,从事 AI 医疗影像方面的技术研发。 这次的分享主要是一个对于
这也致使智能医疗的战场已经涌入无数新老玩家,但比起数据标准化、信息化起步早的金融等行业,医疗领域面临更严重的数据孤岛问题——数据零散且质量参差不齐。
想要分析胸部 X 光片吗? 我们有一套神经网络能派上用场。 来自马里兰州贝塞斯达美国国家卫生研究院(NIH)的研究人员,采用深度学习技术发展出一项架构,能从胸部 X 光片里及早发现疾病。接着他们的系统
雷锋网《AI掘金志》频道:只做 AI +「安防、医疗、零售」三大传统领域的深度采访报道。
12月8日,25岁的大疆无人机相机部员工在家猝死,从入职到突然死去才过去5个月,引发舆论哗然;在这之前的10月20日,互联网保险大特保创始人兼CEO周磊突然去世,享年45岁。猝死早已不是什么新鲜话题,但年轻人猝死的发生仍然在震惊着社会。
1 相比较Swin-UNet,nnFormer在多器官分割任务上可以取得7个百分点的提升。
前言 近年来,新医改政策和各类高新技术凭借强大的赋能力,将中国的医疗信息化产业推入快速发展的黄金时期。前瞻研究院预测,2020年我国医疗信息化市场规模将超过千亿元。从发展周期来看,我国医疗信息化行业仍处于依赖于计算机和网络技术实现医疗卫生机构由“点”到“面”的信息化的发展阶段。 从发展周期来看,我国医疗信息化行业仍处于依赖于计算机和网络技术实现医疗卫生机构由“点”到“面”的信息化的发展阶段。该阶段所呈现出来的一些整体趋势也是相当明显的: 1、产业链上下游整合趋势明显,生态思维崛起; 2、医疗卫生行业IT投
导读:4月12日,2018中国“互联网+”数字经济峰会在重庆召开。当天下午的医疗AI分论坛吸引了众多国内顶尖的学术科研人士参与,中国工程院院士、国家消化病临床医学研究中心主任李兆申,中国医学科学院、北京协和医学院教授乔友林,中国人民解放军军事医学研究院信息中心主任赵东升等名家受邀发表演讲,腾讯技术工程事业群架构平台部总监朱建平也发表了题为“打开人工智能乳腺疾病诊断的黑盒”的演讲,全面介绍了腾讯在乳腺癌影像AI诊断方面的进展,以下为演讲实录。 各位嘉宾大家好,今天给大家分享下我们在乳腺癌影像AI诊断方面的
雷锋网按:本文译自HIT Consultant,作者Steve Holloway,现任Signify Research总监。
秦勇,鹰瞳科技(Airdoc)COO,中国人工智能学会智慧医疗专委会委员,长期从事医疗人工智能方向的工作,拥有丰厚的项目经验、管理经验和技术积累,参与多个医院人工智能应用基地的建设项目,对人工智能在医学特别是眼科领域的应用有深入的研究,在核心期刊发表高水平论文十余篇。2021年11月5日,鹰瞳科技在香港联交所主板上市,被誉为“医疗AI第一股”。
人工智能(AI)正在逐渐改变医疗保健行业的面貌,为患者和医生带来了许多创新和改进。本文将探讨AI在医疗保健领域的应用,以及它如何改善诊断、治疗和患者护理。
时常会听到圈内的朋友抱怨"学不动了"。确实如此,前端技术的横向发展和迭代速度实在是太快了,然而人的精力却是有限的,在中高级的技术进阶阶段,广撒网式的学习方式往往会适得其反。那些调侃程序员的中年危机的段子,说不好哪天真的变成了现实,那么前端er到底该如何构建自己的技术护城河?
“去拍个片子吧。”这是去医院看病常常能听到的话。现代医学诊断越来越倚重影像,专业医疗科学网站估计:医疗数据中有超过90%的数据来自于医学影像。然而,即便设备产生了高精度的大量影像,针对这些数据的分析,现在主要还是靠人工完成,人都是要犯错的,所以误诊难以避免。这点中外概莫能避,从影像误诊人数来看,美国每年的误诊人数达到了 1200 万,中国每年误诊人数高达 5700 万。
【导读】2017 年医疗人工智能发展迅速,产业格局风起云涌。人工智能在医疗领域中的应用已非常广泛,包括医学影像、临床决策支持、语音识别、药物挖掘、健康管理、病理学等众多领域。本白皮书梳理和研究国际、国
精英人才培养计划是一项校企联合人才培养项目,入选学生将受到业界顶尖技术团队与高校导师的联合指导及培养。培养期间,学生将获得3个月以上到访腾讯开展科研访问的机会,基于真实产业问题及海量数据,验证学术理论、加速成果应用转化、开阔研究视野。同时项目组将为学生搭建线上和线下学习、交流平台,帮助学生挖掘更多潜能。学生通过“十分精英圈”线上平台,随时获取前沿技术资讯、沉淀科研收获与心得;通过“智学研讨会”及“智享交流会”等线下平台,积极参与海内外顶级学术会议及学术专家交流活动;通过“精英研学营”进阶平台,对话产业
依托信息技术建立协同医疗卫生服务模式,能在一定程度上缓解“看病难、看病贵”的问题。我国医药卫生事业的改革取得了显著的成就。但是,“看病难、看病贵”的问题依旧突出。看病难与看病贵是一个看似简单实则复杂的社会问题,是多种原因长期积累造成的。依托信息技术,充分利用和优化配置现有医疗卫生资源,建立协同医疗卫生服务模式,促进各级医疗资源共享和合理分配,以达到医疗资源利用的最大化,能一定程度上缓解 “看病难、看病贵”的问题。 医疗协同共享新形态 多级区域医疗业务协同的建设,是医疗卫生信息化发展新时期的新要求,是深化医
2018年12月18日,由鹏城实验室、新一代人工智能产业技术创新战略联盟共同举办的「新一代人工智能院士高峰论坛」进行到第二天。
新时期,医疗系统数字化升级已经逐渐成为趋势,搭建更先进的数据存储平台,提升诊疗效率,已经成为了各地医院的新方向。在驱动医院数字化转型的过程中,浪潮信息提供了一个更灵敏、可靠的存储方案,帮助医院快速建成了一个高效的医疗影像平台,全面提升诊疗水平。
翻译 | 张建军 出品 | 人工智能头条(公众号ID:AI_Thinker) 【人工智能头条导读】今年 1 月,斯坦福吴恩达团队开源了 MURA ,这是一个骨骼 X 光片的大型数据集,总共有 40561 份多视图放射线影像。近日,吴恩达团队在这个数据集的基础上发起了一项深度学习挑战赛,想挑战的同学来试试自己的水平吧。 报名地址: https://stanfordmlgroup.github.io/competitions/mura/ ▌什么是 MURAMURA(MUsculoskeletal Radiogr
领取专属 10元无门槛券
手把手带您无忧上云