Blog

Jun 07, 2023

WiMi desarrolló un algoritmo de aprendizaje generalizado de automóviles

PEKÍN, 15 de agosto de 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Compañía"), un proveedor líder mundial de tecnología de realidad aumentada ("AR") de hologramas, anunció hoy que a

PEKÍN, 15 de agosto de 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Compañía"), un proveedor líder mundial de tecnología de realidad aumentada ("AR") de hologramas, anunció hoy que Se desarrolla un algoritmo de aprendizaje generalizado de análisis de imágenes de rayos X para imágenes imaginadas por X, denominándolo Análisis automático de imágenes de rayos X con inteligencia artificial (Auto-AIX).

El análisis de imágenes de rayos X es un proceso complejo que implica la detección de diversas características, como la densidad ósea, la forma de los órganos y la densidad del tejido. Tradicionalmente, este proceso lo han realizado manualmente profesionales médicos que utilizan su experiencia para identificar y analizar características. Sin embargo, este método requiere mucho tiempo y puede estar sujeto a errores humanos, lo que genera diagnósticos erróneos y un mal pronóstico para los pacientes.

WiMi ha estado explorando el uso de algoritmos de inteligencia artificial para automatizar el proceso de análisis de imágenes de rayos X. Estos algoritmos están diseñados para aprender de grandes conjuntos de datos de imágenes de rayos X y pueden reconocer patrones y características que son difíciles o imposibles de detectar para los expertos humanos. Al automatizar el proceso de análisis de imágenes de rayos X, los algoritmos de IA tienen el potencial de aumentar la velocidad y la precisión del diagnóstico y, al mismo tiempo, reducir la carga de trabajo de los profesionales de la salud. Sin embargo, el desarrollo de algoritmos de IA eficaces para el análisis de imágenes de rayos X requiere un conjunto de datos grande y diverso de imágenes de rayos X para su entrenamiento y validación. Este conjunto de datos debe seleccionarse y anotarse cuidadosamente para garantizar que el algoritmo de IA pueda reconocer con precisión las características de la imagen.

WiMi ha desarrollado un algoritmo de aprendizaje generalizado para el análisis de imágenes de rayos X que está diseñado para aprender de un conjunto diverso de imágenes de rayos X para que sea adecuado para su uso en aplicaciones del mundo real. El algoritmo se basa en una arquitectura de red neuronal profunda que se entrena utilizando un conjunto de datos grande y diverso de imágenes de rayos X. Los conjuntos de datos se recopilan y anotan para garantizar que el algoritmo identifique con precisión características de interés como la densidad ósea, la forma de los órganos y la densidad del tejido. Para mejorar la capacidad de generalización del algoritmo, se implementan varias técnicas, como la expansión de datos y la aleatorización de dominios. La expansión de datos consiste en aplicar una serie de transformaciones, como rotación, escalado y volteo, a las imágenes de rayos X originales para crear un conjunto de datos de entrenamiento más grande y diverso. La aleatorización de dominio implica agregar ruido aleatorio y perturbaciones a los datos de entrenamiento, lo que ayuda al algoritmo a generalizarse a imágenes de rayos X nuevas e invisibles. El algoritmo está diseñado para ejecutarse en una variedad de plataformas de hardware, desde CPU convencionales hasta GPU de alto rendimiento. Esto lo hace adecuado para su implementación en entornos del mundo real donde los recursos de hardware pueden ser limitados o variables.

Auto-AIX incluye adquisición, generación y anotación de datos con algoritmos de aprendizaje generalizados. La adquisición, generación y anotación de datos son clave para construir modelos de aprendizaje profundo. En el campo de las imágenes médicas, la recopilación y el uso de datos reales enfrentan muchas restricciones debido a la privacidad y confidencialidad del paciente. Y Auto-AIX elude estas restricciones mediante el uso de datos sintéticos generados por computadora. Específicamente, utiliza CT para modelar imágenes de rayos X, lo que da a los datos sintéticos una apariencia y detalle realistas, mejorando así la precisión del modelo.

En Auto-AIX, el primer paso para generar datos sintéticos es crear un modelo médico, que se puede modelar mediante una tomografía computarizada o una herramienta quirúrgica. Luego, al inyectar ruido y variaciones en el modelo médico, se pueden generar múltiples muestras que cubran una amplia gama de situaciones y variaciones que pueden aparecer en datos reales. Finalmente, estas muestras se anotan, es decir, etiquetándolas manualmente con características y enfermedades. Estas anotaciones se pueden aplicar automáticamente a todos los demás datos sintéticos, lo que ahorra mucho tiempo y costos laborales. Este proceso se denomina "extensión de dominio" en Auto-AIX, ya que permite extender el dominio de datos sintéticos a una gama más amplia de conjuntos de datos.

Auto-AIX utiliza un algoritmo basado en el aprendizaje generalizado para crear modelos de aprendizaje profundo. La ventaja de este algoritmo es que se puede entrenar utilizando una gran cantidad de datos sintéticos sin necesidad de grandes cantidades de datos reales. Esto significa que Auto-AIX puede entrenar modelos de aprendizaje profundo de alto rendimiento incluso cuando existen dificultades y limitaciones en la recopilación de datos reales.

Específicamente, Auto-AIX utiliza técnicas de aleatorización de dominios para crear algoritmos basados ​​en el aprendizaje generalizado. La idea central de esta técnica es mejorar la capacidad de generalización del modelo introduciendo aleatoriedad en la apariencia y características de los datos sintéticos. Esta aleatoriedad puede ser arbitraria, por ejemplo añadiendo ruido, perturbación, oclusión, etc. a los datos sintéticos. De esta forma, Auto-AIX puede construir modelos de aprendizaje profundo con alto rendimiento de generalización.

Para evaluar el rendimiento de Auto-AIX, los investigadores realizaron una serie de experimentos para comparar las diferencias entre los modelos de aprendizaje profundo entrenados con datos sintéticos de Auto-AIX y los modelos entrenados con datos reales, y probar el efecto del uso de diferentes datos sintéticos.

Los resultados experimentales del entrenamiento de modelos de IA utilizando datos sintéticos de SyntheX muestran que el método puede lograr un rendimiento comparable y, en algunos casos, incluso superior al entrenamiento con datos reales. A continuación, el modelo de IA entrenado debe aplicarse a datos de imágenes de rayos X clínicas reales para su evaluación e implementación. Antes de aplicar el modelo de IA a datos reales, los datos reales deben procesarse previamente para que tengan una distribución similar a la de los datos sintetizados. Este método de preprocesamiento se denomina adaptación de dominio o transferencia de dominio. El objetivo del método de transferencia de dominio es transferir el modelo desde un dominio de origen (datos sintéticos) a un dominio de destino (datos reales) de tal manera que el modelo funcione de manera óptima en el dominio de destino. La idea principal de la adaptación del dominio es aprender un modelo que pueda generalizarse sobre el dominio de destino modelando la diferencia en las distribuciones entre los dominios de origen y de destino.

Para aplicar modelos de IA a datos reales, WiMi utiliza un método de adaptación de dominio llamado Adversarial Discriminative Domain Adaptation (ADDA), que consta de dos fases: la primera fase es entrenar un clasificador de dominio de origen y un clasificador de dominio de destino para distinguir entre origen y destino. dominios; la segunda fase consiste en entrenar un adaptador de dominio para transferir características del dominio de origen al dominio de destino a fin de optimizar el rendimiento del modelo en el dominio de destino. clasificador y clasificador de dominio de destino para distinguir la diferencia entre los dominios de origen y de destino; la segunda etapa consiste en entrenar un adaptador de dominio que transfiera características del dominio de origen al dominio de destino para que el modelo funcione de manera óptima en el dominio de destino. Se utilizó el método ADDA para transferir el modelo del dominio de datos sintéticos al dominio de datos reales. Después de la adaptación del dominio, el rendimiento del modelo de IA en datos reales es comparable a su rendimiento en datos sintéticos, lo que demuestra que el método de adaptación del dominio es eficaz.

El modelo de IA de WiMi se aplicó a imágenes de rayos X clínicas virtuales y se evaluó. Los resultados muestran que el modelo de IA puede identificar con precisión una variedad de enfermedades y anomalías, como neumonía, nódulos pulmonares y derrames pulmonares. Además, el modelo de IA puede realizar mediciones cuantitativas, como el volumen pulmonar y el tamaño de los nódulos. En general, entrenar el modelo de IA utilizando datos sintéticos de Auto-AIX y la adaptación del dominio mediante el método ADDA puede acelerar en gran medida la investigación y las aplicaciones en el campo del análisis de imágenes de rayos X, brindando más oportunidades y desafíos al campo de la atención médica.

Acerca de la nube de hologramas WIMI

WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) es un proveedor de soluciones técnicas integrales de nube holográfica que se enfoca en áreas profesionales que incluyen software HUD automotriz AR holográfico, LiDAR de pulso holográfico 3D, equipo holográfico de campo de luz montado en la cabeza, semiconductor holográfico y software de nube holográfica. , navegación holográfica para automóviles y otros. Sus servicios y tecnologías AR holográficas incluyen aplicaciones automotrices AR holográficas, tecnología LiDAR de pulso holográfico 3D, tecnología de semiconductores de visión holográfica, desarrollo de software holográfico, tecnología publicitaria AR holográfica, tecnología de entretenimiento AR holográfica, pago ARSDK holográfico, comunicación holográfica interactiva y otras tecnologías AR holográficas.

Declaraciones de puerto seguro

Este comunicado de prensa contiene "declaraciones a futuro" dentro de la Ley de Reforma de Litigios sobre Valores Privados de 1995. Estas declaraciones a futuro pueden identificarse mediante terminología como "voluntad", "espera", "anticipa", "futuro", "tiene la intención". ", "planea", "cree", "estima" y declaraciones similares. Las declaraciones que no son hechos históricos, incluidas las declaraciones sobre las creencias y expectativas de la Compañía, son declaraciones prospectivas. Entre otras cosas, las perspectivas comerciales y las citas de la gerencia en este comunicado de prensa y los planes estratégicos y operativos de la Compañía contienen declaraciones prospectivas. La Compañía también puede hacer declaraciones prospectivas escritas u orales en sus informes periódicos a la Comisión de Bolsa y Valores de EE. UU. ("SEC") en los formularios 20-F y 6-K, en su informe anual a los accionistas, en comunicados de prensa y otros materiales escritos y en declaraciones orales hechas por sus funcionarios, directores o empleados a terceros. Las declaraciones prospectivas implican riesgos e incertidumbres inherentes. Varios factores podrían hacer que los resultados reales difieran materialmente de los contenidos en cualquier declaración prospectiva, incluidos, entre otros, los siguientes: los objetivos y estrategias de la Compañía; el desarrollo comercial futuro, la situación financiera y los resultados de operaciones de la Compañía; el crecimiento esperado de la industria holográfica AR; y las expectativas de la Compañía con respecto a la demanda y aceptación en el mercado de sus productos y servicios.

Se incluye más información sobre estos y otros riesgos en el informe anual de la Compañía en el Formulario 20-F y el informe actual en el Formulario 6-K y otros documentos presentados ante la SEC. Toda la información proporcionada en este comunicado de prensa corresponde a la fecha de este comunicado de prensa. La Compañía no asume ninguna obligación de actualizar ninguna declaración prospectiva, excepto según lo exijan las leyes aplicables.

Ver contenido original: https://www.prnewswire.com/news-releases/wimi-developed-a-generalized-learning-algorithm-of-auto-aix-301900687.html

FUENTE WiMi Hologram Cloud Inc.

Cotizaciones relacionadas