Lenovo E-Health, karaciğer tümörü lezyonları için küresel CT görüntü segmentasyonu yarışmasını kazandı
Xinzhiyuan önerilir
Yakın zamanda sonuçlanan global LiTS'de (Karaciğer Tümörü Segmentasyon Zorluğu, karaciğer tümörü lezyonları için CT görüntü segmentasyon zorluğu), Lenovo AI Lab (Lenovo AI Lab) tarafından başlatılan E-Health çözümü (leHealth olarak da bilinir) basıldı Kahramanlar şampiyonluğu kazandı.
LiTS Uluslararası Yarışması nedir?
LiTS yarışması, Münih Teknoloji Üniversitesi, Tel Aviv Üniversitesi ve en iyi uluslararası tıbbi görüntüleme konferansı MICCAI 2017 gibi üniversiteler ve araştırma enstitüleri tarafından ortaklaşa düzenlenmektedir. Yarışma girişleri, 197'si Çin'den, 155'i Amerika Birleşik Devletleri'nden ve 42'si Hindistan'dan olmak üzere dünya çapında 35 ülkeden geliyor.
Bu kadar çok yarışmacının çözmesi gereken sorun nedir? Karaciğer tümörü lezyonlarının BT görüntülerinin otomatik segmentasyonunu çözmek için yenilikçi algoritmalar kullanın. Tıbbi görüntü segmentasyonu, hastalık teşhisinde, görüntü kılavuzluğunda ameliyatta ve tıbbi verilerin görselleştirilmesinde önemli bir rol oynar ve klinik teşhis ve patoloji araştırmaları için güvenilir bir temel sağlayabilir. Bununla birlikte, karaciğer tümörü lezyonlarının karmaşıklığı nedeniyle, BT görüntülerinin otomatik segmentasyonu oldukça zordur.
Karaciğer tümörü CT görüntülerinin dünyanın önde gelen segmentasyon doğruluğu
Dünyanın dört bir yanındaki sayısız katılımcı proje arasında, Lenovo'nun E-Sağlığı, dünyanın önde gelen karaciğer tümörü CT görüntü segmentasyon doğruluğu indeksi (kasa başına zar) ile nihayet şampiyonluğu kazandı.
Peki E-Sağlık'ı bu kadar özel kılan nedir?
E-Health, tıp alanında Lenovo Research tarafından kullanılan akıllı tıbbi görüntü destekli tanı çözümüdür. Güçlü bilgi işlem yetenekleriyle Lenovo bulut platformuna dayanan en yeni derin öğrenme algoritmalarını entegre eder ve birçok tıp uzmanının kapsamlı teşhis ve tedavi deneyimini yoğunlaştırır. Kullanımda bir yandan doktor yorgunluğu gibi faktörlerin neden olduğu yanlış teşhisi önlerken doktorların iş yükünü azaltabilir; diğer yandan tıbbi görüntüleri akıllıca analiz edebilir ve otomatik olarak doktorlara yardımcı tanı görüşleri sağlayabilir.
Şu anda, E-Sağlık uygulaması esas olarak aşağıdaki dört hususa yansımaktadır:
-
Tümörlerin otomatik tespiti ve sınıflandırılması. Sektör lideri derin öğrenme algoritması sayesinde, hastanın BT görüntülerini akıllıca analiz edin ve hastada tümör olup olmadığını otomatik olarak belirleyin; bir tümör varsa, doktora tanı koymada yardımcı olmak için tümörün doğasını, boyutunu, konumunu ve kategorisini de belirleyebilir;
-
CT görüntülerinde tümör verilerinin otomatik açıklaması. Hastanın ölçeğini ve temel bilgilerini ve CT görüntüsünü CT görüntüsüne ekleyin ve CT görüntüsünde tümörün konumunu ve durumunu akıllıca işaretleyin, böylece doktor görüntü bilgilerini okuyabilir;
-
Entegre tümör özelliklerinin üç boyutlu model gösterimi. Tümör özellikleriyle entegre üç boyutlu model, sistemde algoritmalar aracılığıyla görüntüleniyor, bu sayede hastalar ve doktorlar arasındaki iletişimi ve alışverişi kolaylaştıran, kendi koşullarını anlayan;
-
Teşhis raporu otomatik olarak oluşturulur. Sistem, teşhis raporlarını otomatik olarak oluşturmak için tümör tespit sonuçlarını, sınıflandırma sonuçlarını, tümör morfolojisini ve diğer bilgileri entegre edebilir. Aynı zamanda, doktorlar, otomatik olarak oluşturulan teşhis raporları temelinde değişiklikler yapabilir, bu da doktorların iş yükünü azaltırken iş verimliliğini artırabilir.
Bu kez LiTS konferansında şampiyonluğu kazanmak, E-Health'in veri analizi ve işleme, algoritmalar ve derin öğrenme platformu teknolojisindeki avantajlarını vurguluyor.
-
Her şeyden önce, tıbbi görüntü işlemenin yaygın sorunları, özellikle sınırlı eğitim verisi örnekleri durumunda, derin öğrenme modelinin performansını etkileyecek olan etiketli verilerin gürültüsünden kaynaklanmaktadır.Bu nedenle, verilerin önce önceden işlenmesi gerekmektedir.E-Health bu konuda gerçekleştirir. Oldukça iyi.
-
İkincisi, algoritmalar açısından, karaciğer tümörü verileri çok çeşitli olduğu için farklı hastanelerden gelirler. Bunun ışığında, Lenovo E-Health ekibi, verilerin özelliklerini uyarlamalı bir şekilde öğrenebilen farklı derin öğrenme modelleri tasarladı.
-
Üçüncüsü, E-Health'in arkasında Lenovo'nun gelişmiş ve heterojen yapay zeka derin öğrenme platformu var. Birden çok açık kaynak çerçevesini destekleyen, dağıtılmış görev planlamasını gerçekleştirebilen, çok düğümlü paralel aracılığıyla deney, algoritma araştırması ve model yineleme sürecini hızlandıran ve doğal dil anlama, ses gibi birden çok AI uygulamasıyla karşılaşabilen dağıtılmış bir derin öğrenme platformudur. Kimlik vb.
Bu platformun performansı sektörün ileri düzeyine ulaştı. Depolama açısından, sistem SSD'nin performansını optimize etmek için hiper birleşik bir mimari kullanır; ağ açısından platform, yüksek hızlı ağlar oluşturmak için yüksek performanslı 40G ağ anahtarları kullanır; bilgi işlem, yüksek performanslı GPU / FPGA hızlandırma, ölçeklenebilirlik ve hızlandırma açısından Oran çok iyi ve heterojenliği destekliyor.
Bu makale, genel hesap Lenovo Araştırma Enstitüsü'nden alınmıştır.
İş ayrıntılarını görüntülemek için orijinal metni okumak için tıklayın ve katılmanızı dört gözle bekleyin ~
