Глобальная вспышка COVID-19 привлекла внимание аналитиков больших данных и инженеров искусственного интеллекта. Классификация изображений компьютерной томографии (КТ) органов грудной клетки как нормальных или инфицированных требует интенсивного сбора данных и инновационной архитектуры модуля ИИ. В этой статье мы расскажем, как можно использовать ИИ для обнаружения и идентификации путем изучения изображений компьютерной томографии грудной клетки, охватывающих несколько уровней анализа и классификации как нормальных, так и аномальных аспектов COVID-19.
В частности, метод сначала дополняет набор данных, который будет использоваться на этапе обучения, на основе надежной коллекции изображений, сегментирует/обнаруживает подозрительные области на изображениях и анализирует эти области для получения правильной классификации. Кроме того, после выбора наиболее подходящих модулей для нашего исследования мы включили алгоритмы ИИ. Наконец, мы показываем эффективность этой архитектуры по сравнению с другими методами, описанными в литературе. Полученные результаты показывают, что предлагаемая архитектура обеспечивает точность 95%.
Искусственный интеллект вносит большой вклад в области медицинской диагностики и разработки новых лекарств. Эксперты считают, что искусственный интеллект окажет огромное влияние, предоставив рентгенологам более быстрые и точные диагностические и прогностические инструменты, что приведет к более эффективному лечению. Большие данные и искусственный интеллект изменят методы работы рентгенологов, поскольку компьютеры смогут обрабатывать огромные объемы данных пациентов, что позволит им стать экспертами в очень специфических задачах. В прошлом ИИ успешно преодолевал различные проблемы, такие как хронические заболевания и рак кожи. В настоящее время ученые ожидают, что искусственный интеллект сыграет важную роль в поиске лекарства от COVID-19.
Из-за глобальной пандемии COVID-19 системы здравоохранения столкнулись с серьезными проблемами, связанными с поддержкой постоянно растущего количества пациентов и связанных с этим расходов. Поэтому недавнее воздействие COVID-19 требует изменения мышления в секторе здравоохранения. Поэтому крайне важно использовать преимущества современных технологий, таких как искусственный интеллект, для проектирования и разработки интеллектуальных и автономных решений для здравоохранения.
По сравнению с другими заболеваниями COVID-19 характеризуется способностью быстро распространяться, что делает его глобальной пандемией в рекордно короткие сроки. Он все еще изучается и исследуется медицинскими системами и системами здравоохранения, чтобы получить достоверную информацию и дополнительные сведения об этой быстро распространяющейся серьезной проблеме. Поэтому цель успешного моделирования распространения COVID-19 остается главным приоритетом в борьбе с этим вирусом. В настоящее время широко используемым диагностическим методом является обнаружение вирусной РНК в мокроте или мазках из носоглотки с помощью полимеразной цепной реакции с обратной транскрипцией в реальном времени (ОТ-ПЦР). Однако эти тесты требуют вмешательства человека, демонстрируют низкий уровень положительных результатов на ранних стадиях заражения, и для получения результатов требуется до 6 часов. Поэтому для ускорения профилактики и борьбы с эпидемиями необходимы средства быстрой и ранней диагностики, особенно в долгосрочной перспективе, после полного снятия блокадных мер, должно проводиться массовое тестирование для предотвращения рецидива таких заболеваний.
Алгоритмы ИИ — это методы, используемые для внедрения систем искусственного интеллекта, которые помогают решать многие проблемы, связанные с пандемией, начиная с исследований вакцин и лекарств, отслеживания передвижения людей и того, как и соблюдают ли они правила социального дистанцирования, до оценки КТ и рентген легких могут ускорить диагностику и отследить прогресс таких пациентов.
В настоящее время предпринимаются усилия, чтобы полагаться на алгоритмы искусственного интеллекта для диагностики COVID-19. В крупномасштабном скрининге на вирусы используются передовые типы нейронных сетей для классификации пациентов на основе их моделей дыхания. Точно так же в исследовании COVID-19 был обнаружен путем анализа компьютерной томографии грудной клетки.
Применение ИИ в медицинской визуализации
Классификацию изображений можно описать как задачу классификации изображений по одной из многих категорий. Это основная проблема компьютерного зрения. Он обеспечивает основу для других функций компьютерного зрения, таких как обнаружение, сегментация и локализация. В последние годы такие проблемы решаются с помощью моделей глубокого обучения, которые используют знания, полученные в результате многоуровневой нелинейной обработки, для извлечения и преобразования функций, а также для классификации и анализа паттернов.
В задачах, связанных с медицинской визуализацией, компьютерная обработка изображений имеет важное значение. Недавние разработки в области искусственного интеллекта, особенно в области глубокого обучения, привели к крупным прорывам в интерпретации изображений, которые помогают идентифицировать, классифицировать и количественно определять закономерности в медицинских изображениях. В частности, использование иерархических функциональных представлений, полностью полученных из данных, является краеугольным камнем инноваций, а не искусственных функций, которые обычно фокусируются на предметно-ориентированной информации. Таким образом, глубокое обучение может легко стать новым краеугольным камнем для повышения эффективности многочисленных медицинских приложений.
Ключевой силой в появлении искусственного интеллекта в медицинской визуализации является необходимость повышения качества и эффективности клинической помощи. На основе глубокого обучения компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ), позитронно-эмиссионной томографии, ПЭТ и рентгенографии. Ниже приводится функциональная реализация глубокого обучения локализации изображений, распознаванию клеточной структуры, сегментации тканей и компьютерной диагностике заболеваний.
Технология искусственного интеллекта для обнаружения COVID-19
Основное применение ИИ при COVID-19 – раннее выявление и диагностика инфекции. ИИ может легко анализировать симптомы и предполагаемые отклонения, создавая экономичный алгоритм для быстрого принятия решений. С помощью многочисленных алгоритмов искусственного интеллекта современные случаи COVID-19 можно выявлять и управлять ими в рамках сортировки. Компьютерная томография (КТ) и магнитно-резонансная томография (МРТ) представляют собой ценный вклад в алгоритмы искусственного интеллекта, которые сканируют срезы человеческого тела для постановки диагноза.
Базовым этапом обработки и интерпретации изображений для обнаружения и оценки COVID-19 является сегментация. Он определяет ключевой элемент алгоритма ИИ, область интереса (ROI), захваченную на рентгенограмме грудной клетки или КТ-изображении. С помощью этих сегментированных областей можно получить функции самообучения или даже искусственные функции.
КТ является одним из основных источников высококачественных 3D-изображений в области обнаружения COVID-19. Методы глубокого обучения блестят в области сегментации ROI, и наиболее популярными для COVID-19 являются U-Net, U-Net++ и VB-Net. Хотя рентгеновские лучи более распространены в медицине, чем КТ, из-за их доступности, процесс сегментации рентгеновских изображений более сложен. Это результат контраста изображения в 2D-проекции ребер на мягкие ткани.
**Другим эффективным способом игнорировать ненужные части изображения является предварительная обработка изображения. ** Это может играть роль в сегментации в приложениях COVID-19. Предварительную обработку изображений можно разделить на две категории: восстановление изображений и реконструкция. Основным методом восстановления изображения является удаление шума путем фильтрации. Для определения краев изображения и улучшения механизмов обнаружения шума были разработаны фильтры на основе нейронных сетей. Реконструкция медицинских изображений может быть сложной задачей, когда зашумленные данные включают нелинейность. Таким образом, задача считается плохо обусловленной, и поэтому ее можно решить, только ослабив условия и упростив предположения. Нейронные сети с прямой связью и Кохонена являются распространенными методами в области реконструкции, поскольку они производят зашумленные линейные аппроксимации данных.
Обнаружение COVID-19 ИИ состоит из двух этапов: **Сегментация и глубокая сеть ResNet. **Первый этап отвечает за выявление аномалий на КТ-изображениях для дифференциации нормальных и аномальных пациентов. Второй отвечает за дифференциацию случаев COVID-19 от других пневмоний. Точность сегментации блока ResNet50 составляет 95,54 и 96,5%. В целом он оказался точным на 95%.
Суммировать
Помимо медицины, технологии ИИ глубоко проникли в различные отрасли, такие как транспорт, безопасность, финансы, туризм, образование и другие сферы. Например, при управлении дорогами технология обнаружения и распознавания ИИ может извлекать номерной знак, модель, пристегнут ли водитель ремнем безопасности и обнаруживать незаконную парковку.
** ИИ имеет наибольшее количество посадочных сцен в области безопасности. ** Видео TSINGSEE, основанное на многолетнем техническом опыте в области видео, интегрирует технологию обнаружения и интеллектуального распознавания ИИ в различные сценарии приложений, такие как: мониторинг безопасности, лицо в видео Обнаружение, статистика трафика, опасное поведение (лазание, падение, толкание и т. д.), обнаружение и идентификация и т. д. Типичным примером является облачный сервис видеообъединения EasyCVR, который имеет ИИ-распознавание лиц, распознавание номерных знаков, голосовую внутреннюю связь, управление PTZ, звуковую и световую сигнализацию, анализ видео наблюдения и возможности агрегации данных. Благодаря политике «новой инфраструктуры» рынок видеонаблюдения AI+ в моей стране откроет новую точку роста.