Blog

Jun 07, 2023

WiMi hat einen verallgemeinerten Lernalgorithmus für Auto entwickelt

PEKING, 15. August 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WIMI) („WiMi“ oder das „Unternehmen“), ein weltweit führender Anbieter von Hologram Augmented Reality („AR“)-Technologie, gab dies heute bekannt A

PEKING, 15. August 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WIMI) („WiMi“ oder das „Unternehmen“), ein weltweit führender Anbieter von Hologram Augmented Reality („AR“)-Technologie, gab dies heute bekannt Es wird ein verallgemeinerter Lernalgorithmus für die Röntgenbildanalyse für Röntgenbilder entwickelt, der den Namen „Automatische künstliche Intelligenz-Röntgenbildanalyse“ (Auto-AIX) trägt.

Die Röntgenbildanalyse ist ein komplexer Prozess, bei dem verschiedene Merkmale wie Knochendichte, Organform und Gewebedichte erfasst werden. Traditionell wurde dieser Prozess manuell von medizinischen Fachkräften durchgeführt, die ihr Fachwissen nutzen, um Merkmale zu identifizieren und zu analysieren. Diese Methode ist jedoch zeitaufwändig und kann menschlichen Fehlern unterliegen, was zu Fehldiagnosen und einer schlechten Prognose für den Patienten führt.

WiMi hat den Einsatz künstlicher intelligenter Algorithmen untersucht, um den Prozess der Röntgenbildanalyse zu automatisieren. Diese Algorithmen sollen aus großen Datensätzen von Röntgenbildern lernen und Muster und Merkmale erkennen, die für menschliche Experten nur schwer oder gar nicht zu erkennen sind. Durch die Automatisierung des Röntgenbildanalyseprozesses haben KI-Algorithmen das Potenzial, die Geschwindigkeit und Genauigkeit der Diagnose zu erhöhen und gleichzeitig die Arbeitsbelastung des medizinischen Fachpersonals zu verringern. Die Entwicklung effektiver KI-Algorithmen für die Röntgenbildanalyse erfordert jedoch einen großen und vielfältigen Datensatz von Röntgenbildern für das Training und die Validierung. Dieser Datensatz muss sorgfältig ausgewählt und mit Anmerkungen versehen werden, um sicherzustellen, dass der KI-Algorithmus Bildmerkmale genau erkennen kann.

WiMi hat einen verallgemeinerten Lernalgorithmus für die Röntgenbildanalyse entwickelt, der aus einem vielfältigen Satz von Röntgenbildern lernen soll, um ihn für den Einsatz in realen Anwendungen geeignet zu machen. Der Algorithmus basiert auf einer tiefen neuronalen Netzwerkarchitektur, die anhand eines großen und vielfältigen Datensatzes von Röntgenbildern trainiert wird. Die Datensätze werden zusammengestellt und mit Anmerkungen versehen, um sicherzustellen, dass der Algorithmus interessierende Merkmale wie Knochendichte, Organform und Gewebedichte genau identifiziert. Um die Generalisierungsfähigkeit des Algorithmus zu verbessern, werden verschiedene Techniken wie Datenerweiterung und Domänenrandomisierung implementiert. Die Datenerweiterung besteht darin, eine Reihe von Transformationen wie Drehung, Skalierung und Spiegelung auf die ursprünglichen Röntgenbilder anzuwenden, um einen größeren und vielfältigeren Trainingsdatensatz zu erstellen. Bei der Domänenrandomisierung werden zufälliges Rauschen und Störungen zu den Trainingsdaten hinzugefügt, was dem Algorithmus hilft, auf neue und noch nie gesehene Röntgenbilder zu verallgemeinern. Der Algorithmus ist für die Ausführung auf einer Reihe von Hardwareplattformen konzipiert, von herkömmlichen CPUs bis hin zu Hochleistungs-GPUs. Dadurch eignet es sich für den Einsatz in realen Umgebungen, in denen die Hardwareressourcen möglicherweise begrenzt oder variabel sind.

Auto-AIX umfasst Datenerfassung, Generierung und Annotation mit verallgemeinerten Lernalgorithmen. Datenerfassung, -generierung und -annotation sind der Schlüssel zum Aufbau von Deep-Learning-Modellen. Im Bereich der medizinischen Bildgebung unterliegt die Erhebung und Nutzung realer Daten aufgrund der Privatsphäre und Vertraulichkeit des Patienten zahlreichen Einschränkungen. Und Auto-AIX umgeht diese Einschränkungen durch die Verwendung computergenerierter synthetischer Daten. Konkret nutzt es CT zur Modellierung von Röntgenbildern, was den synthetischen Daten ein realistisches Aussehen und Details verleiht und so die Genauigkeit des Modells verbessert.

In Auto-AIX besteht der erste Schritt bei der Generierung synthetischer Daten darin, ein medizinisches Modell zu erstellen, das mithilfe eines CT-Scans oder eines chirurgischen Instruments modelliert werden kann. Anschließend können durch das Einfügen von Rauschen und Variationen in das medizinische Modell mehrere Stichproben generiert werden, die ein breites Spektrum an Situationen und Variationen abdecken, die in realen Daten vorkommen können. Abschließend werden diese Proben mit Anmerkungen versehen, d. h. indem sie manuell mit Merkmalen und Krankheiten gekennzeichnet werden. Diese Anmerkungen können automatisch auf alle anderen synthetischen Daten angewendet werden, wodurch erhebliche Zeit- und Arbeitskosten gespart werden. Dieser Vorgang wird in Auto-AIX als „Domänenerweiterung“ bezeichnet, da er die Erweiterung der synthetischen Datendomäne auf einen größeren Bereich von Datensätzen ermöglicht.

Auto-AIX verwendet einen verallgemeinerten lernbasierten Algorithmus, um Deep-Learning-Modelle zu erstellen. Der Vorteil dieses Algorithmus besteht darin, dass er mit einer großen Menge synthetischer Daten trainiert werden kann, ohne dass große Mengen realer Daten erforderlich sind. Dies bedeutet, dass Auto-AIX leistungsstarke Deep-Learning-Modelle trainieren kann, selbst wenn es Schwierigkeiten und Einschränkungen bei der Erfassung realer Daten gibt.

Insbesondere verwendet Auto-AIX Domänen-Randomisierungstechniken, um Algorithmen zu erstellen, die auf verallgemeinertem Lernen basieren. Die Kernidee dieser Technik besteht darin, die Generalisierungsfähigkeit des Modells zu verbessern, indem Zufälligkeit in das Erscheinungsbild und die Merkmale der synthetischen Daten eingeführt wird. Diese Zufälligkeit kann willkürlich sein, z. B. durch Hinzufügen von Rauschen, Störungen, Okklusion usw. zu den synthetischen Daten. Auf diese Weise kann Auto-AIX Deep-Learning-Modelle mit hoher Generalisierungsleistung erstellen.

Um die Leistung von Auto-AIX zu bewerten, führten die Forscher eine Reihe von Experimenten durch, um die Unterschiede zwischen Deep-Learning-Modellen, die mit synthetischen Daten von Auto-AIX trainiert wurden, und Modellen, die mit realen Daten trainiert wurden, zu vergleichen und die Auswirkungen der Verwendung verschiedener synthetischer Daten zu testen.

Die experimentellen Ergebnisse des Trainings von KI-Modellen mithilfe synthetischer Daten von SyntheX zeigen, dass mit der Methode eine Leistung erzielt werden kann, die mit dem Training realer Daten vergleichbar ist und diese in einigen Fällen sogar übertrifft. Als nächstes muss das trainierte KI-Modell zur Auswertung und Bereitstellung auf echte klinische Röntgenbilddaten angewendet werden. Bevor das KI-Modell auf reale Daten angewendet wird, müssen die realen Daten vorverarbeitet werden, um eine ähnliche Verteilung wie die synthetisierten Daten zu erhalten. Diese Vorverarbeitungsmethode wird als Domänenanpassung oder Domänenübertragung bezeichnet. Das Ziel der Domänenübertragungsmethode besteht darin, das Modell so von einer Quelldomäne (synthetische Daten) in eine Zieldomäne (reale Daten) zu übertragen, dass das Modell in der Zieldomäne optimal funktioniert. Die Hauptidee der Domänenanpassung besteht darin, ein Modell zu erlernen, das über die Zieldomäne verallgemeinert werden kann, indem der Unterschied in den Verteilungen zwischen der Quell- und der Zieldomäne modelliert wird.

Um KI-Modelle auf reale Daten anzuwenden, verwendet WiMi eine Domänenanpassungsmethode namens Adversarial Discriminative Domain Adaptation (ADDA), die aus zwei Phasen besteht: In der ersten Phase werden ein Quelldomänenklassifikator und ein Zieldomänenklassifikator trainiert, um zwischen Quelle und Ziel zu unterscheiden Domänen; Die zweite Phase besteht darin, einen Domänenadapter zu trainieren, um Features von der Quelldomäne in die Zieldomäne zu übertragen, um die Leistung des Modells in der Zieldomäne zu optimieren. Klassifikator und Zieldomänen-Klassifikator, um den Unterschied zwischen Quell- und Zieldomäne zu unterscheiden; Die zweite Stufe besteht darin, einen Domänenadapter zu trainieren, der Funktionen von der Quelldomäne in die Zieldomäne überträgt, damit das Modell in der Zieldomäne optimal funktioniert. Zur Übertragung des Modells von der synthetischen Datendomäne auf die reale Datendomäne wurde die ADDA-Methode verwendet. Nach der Domänenanpassung ist die Leistung des KI-Modells bei realen Daten mit seiner Leistung bei synthetischen Daten vergleichbar, was zeigt, dass die Domänenanpassungsmethode effektiv ist.

Das KI-Modell von WiMi wurde auf virtuelle klinische Röntgenbilder angewendet und ausgewertet. Die Ergebnisse zeigen, dass das KI-Modell eine Vielzahl von Krankheiten und Anomalien, darunter Lungenentzündung, Lungenknötchen und Lungenergüsse, genau identifizieren kann. Darüber hinaus kann das KI-Modell quantitative Messungen durchführen, beispielsweise zum Lungenvolumen und zur Knötchengröße. Insgesamt kann das Training des KI-Modells mithilfe synthetischer Auto-AIX-Daten und die Domänenanpassung mithilfe der ADDA-Methode die Forschung und Anwendungen im Bereich der Röntgenbildanalyse erheblich beschleunigen und so mehr Chancen und Herausforderungen für den Gesundheitsbereich mit sich bringen.

Über WIMI Hologram Cloud

WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) ist ein Anbieter umfassender technischer Lösungen für die holografische Cloud, der sich auf professionelle Bereiche konzentriert, darunter holografische AR-Automobil-HUD-Software, holografisches 3D-Puls-LiDAR, am Kopf montierte holografische Lichtfeldgeräte, holografische Halbleiter und holografische Cloud-Software , holographische Autonavigation und andere. Zu seinen Dienstleistungen und holografischen AR-Technologien gehören holografische AR-Automobilanwendungen, holografische 3D-Puls-LiDAR-Technologie, holografische Vision-Halbleitertechnologie, holografische Softwareentwicklung, holografische AR-Werbetechnologie, holografische AR-Unterhaltungstechnologie, holografische ARSDK-Zahlung, interaktive holografische Kommunikation und andere holografische AR-Technologien.

Safe Harbor-Erklärungen

Diese Pressemitteilung enthält „zukunftsgerichtete Aussagen“ im Sinne des Private Securities Litigation Reform Act von 1995. Diese zukunftsgerichteten Aussagen sind an Begriffen wie „wird“, „erwartet“, „antizipiert“, „zukünftig“ und „beabsichtigt“ erkennbar , „plant“, „glaubt“, „schätzt“ und ähnliche Aussagen. Aussagen, die keine historischen Fakten darstellen, einschließlich Aussagen über die Überzeugungen und Erwartungen des Unternehmens, sind zukunftsgerichtete Aussagen. Unter anderem enthalten die Geschäftsaussichten und Zitate des Managements in dieser Pressemitteilung sowie die strategischen und operativen Pläne des Unternehmens zukunftsgerichtete Aussagen. Das Unternehmen kann auch schriftliche oder mündliche zukunftsgerichtete Aussagen in seinen regelmäßigen Berichten an die US-amerikanische Börsenaufsichtsbehörde („SEC“) auf den Formularen 20-F und 6-K, in seinem Jahresbericht an die Aktionäre, in Pressemitteilungen usw. machen andere schriftliche Materialien und in mündlichen Erklärungen seiner leitenden Angestellten, Direktoren oder Mitarbeiter gegenüber Dritten. Zukunftsgerichtete Aussagen unterliegen inhärenten Risiken und Ungewissheiten. Mehrere Faktoren können dazu führen, dass die tatsächlichen Ergebnisse wesentlich von den in zukunftsgerichteten Aussagen enthaltenen abweichen, darunter unter anderem die folgenden: die Ziele und Strategien des Unternehmens; die zukünftige Geschäftsentwicklung, Finanzlage und Betriebsergebnisse des Unternehmens; das erwartete Wachstum der holografischen AR-Industrie; und die Erwartungen des Unternehmens hinsichtlich der Nachfrage und Marktakzeptanz seiner Produkte und Dienstleistungen.

Weitere Informationen zu diesen und anderen Risiken finden Sie im Jahresbericht des Unternehmens auf Formular 20-F und im aktuellen Bericht auf Formular 6-K sowie in anderen bei der SEC eingereichten Dokumenten. Alle in dieser Pressemitteilung bereitgestellten Informationen beziehen sich auf das Datum dieser Pressemitteilung. Das Unternehmen übernimmt keine Verpflichtung, zukunftsgerichtete Aussagen zu aktualisieren, es sei denn, dies ist nach geltendem Recht erforderlich.

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

QUELLE WiMi Hologram Cloud Inc.

Verwandte Zitate