|
搜索
搜 索
高等教育領域數字化綜合服務平臺
人工智能AI三維解析系統
北京體育大學主導研發的全球首款基于AI圖像識別技術的三維運動解析系統可以自動識別人體關鍵點，將不同攝像機拍攝到的同一運動畫面進行三維合成和運動技術分析，獲得運動生物力學的詳盡參數。該系統利用AI 技術大大降低了人工解析時間，提高了三維解析效率，有效提高運動表現。
北京體育大學
2021-04-10
基于AI-VR的肺部輔助診療系統
東北大學醫學影像智能計算教育部重點實驗室團隊研發的肺部精準診療醫學影像AI-VR 輔助診療系統適用于肺部醫療、肺部手術術前規劃、術中導航、教學、肺部CT圖像分割等醫學臨床領域。傳統的肺部醫療診斷中，主要是通過觀察肺部二維切片圖像去發現病原體，往往只能靠醫生的經驗來判斷，而具體病灶何在、幾何形狀、大小及周圍生物組織，是無法通過二維圖像去觀察，其術前分析與方案設計是借助二維肺部CT影像或計算機成像來觀察判斷，缺乏沉浸感、立體感和交互性。基于虛擬現實技術并結合實驗室的技術與數據儲備優勢，開發了一套基于VR的AI肺部輔助手術系統，致力于肺部三維重建，為醫療人員更好地解決了醫生面對大型手術準備不足的問題。
東北大學
2021-04-10
角膜塑形配鏡AI芯片及系統
全球近視病發病率逐年增加,到2050年全球人口近一半的人口將患近視病。角膜塑形鏡是-種非創傷性的近視治療技術，在全世界得到廣泛應用。僅在中國每年就有超過100萬病人接受角膜塑形鏡治療。在角膜望形鏡配鏡過程中,由于參數組合眾多,傳統辦法依賴于醫生經驗,因此配鏡質量難以控制、效率不高、費時耗力。本成果是全球首個基于人工智能算法的角膜塑形配鏡解決方案,實現了擁有完整自主知識產權的算法和芯片,比傳統方法提高效率10倍以上，同時極大保證了配鏡提高質量。本成果與“愛爾眼科集團”聯合開發,臨床測試的配鏡準確率達90%以上。
電子科技大學
2021-04-10
電梯節能改造控制方法的研究與應用
該項目主要內容：1、實現對電梯控制裝置直流母線電壓的實時檢測，判別電梯運行狀態，當電梯運行在發電狀態時，將發電電梯所產生的電能用于其他耗電電梯的供電，即將其中一臺或者二臺電梯發電時產生的能量反饋到一條電梯共同使用的母線上，由其他電梯來使用這個能量；若電梯的用電量少于電梯發電量，則將剩余電量回饋到電網。解決能量在各個電梯間的動態優化配置，實現系統能量分配的自適應調節，達到節約用電，提高用電效率的目的。2、將處于發電狀態的電梯所產生的電能用于其他耗電狀態電梯的運行或回饋電網，節約電能，取消電梯機房（或縮
天津城建大學
2021-01-12
人工智能邊緣實驗平臺 （AI Edge Platform）
人工智能邊緣實驗平臺為標準的2.5U機架式設備，配置20塊FPGA開發板(Cyclone® V SoC系列)，可供20位學員同時進行FPGA設計、調試、下載及相關驗證，并具備SoC網絡技術和FPGA遠程調試技術，通過網絡為教學實驗提供配套服務，實現在線實驗室的虛擬仿真技術。AI Edge Platform is a standard 2.5U rack server,which is equipped with 20 FPGA Development Boards (Cyclone® V SoC FPGA Series). It can be used by 20 students to design,debug,download and verify FPGA at the same time. It also has SoC network technology and FPGA remote debugging technology,and provides support for teaching experiments through the network;realizes the virtual simulation technology of online laboratory.
英特爾FPGA中國創新中心
2022-05-24
人工智能邊緣實驗平臺 （AI Edge Platform）
人工智能邊緣實驗平臺為標準的2.5U機架式設備，配置20塊FPGA開發板(Cyclone V SoC系列)，可供20位學員同時進行FPGA設計、調試、下載及相關驗證，并具備SoC網絡技術和FPGA遠程調試技術，通過網絡為教學實驗提供配套服務，實現在線實驗室的虛擬仿真技術。AI Edge Platform is a standard 2.5U rack server,which is equipped with 20 FPGA Development Boards (Cyclone V SoC FPGA Series). It can be used by 20 students to design,debug,download and verify FPGA at the same time. It also has SoC network technology and FPGA remote debugging technology,and provides support for teaching experiments through the network;realizes the virtual simulation technology of online laboratory.
重慶海云捷迅科技有限公司
2022-06-17
籃球賽事AI短視頻剪輯系統
視頻剪輯是一項簡單卻繁瑣的工作，需要投入大量的人力。而且人力完成的視頻剪輯，剪輯結果有著很強的主觀色彩。通過采集大量各類體育賽事數據進行模型訓練，利用深度神經網絡良好的自主學習能力，采用Centernet作為多目標檢測能力的實現框架，同時利用Transformer重構目標檢測進行連鎖，二次捕捉目標檢測的準確性。CenterNet和Transformer的融合，實現了端到端的目標檢測，在準確性提升的基礎上滿足實時處理視頻的要求。綜合應用多目標檢測跟蹤以及多模式識別技術，實現短視頻的智能化剪輯，極大程度減少了人工工作量，同時也增加了短視頻剪輯的客觀性，在大數據時代背景下有著重要的現實意義。
太原科技大學
2021-05-04
新冠肺炎影像學AI智能輔助診斷研究
“現階段醫生需要在大量影像數據中快速診斷出新冠肺炎的病例，此外還需要診斷出病灶分布的位置、大小等來評估嚴重程度。”薛向陽介紹，針對臨床的現實需求，團隊將設計目標定位于“肺炎分類鑒別”和“關鍵病灶檢測”兩大功能，前者是為區別健康狀態、新冠肺炎、其他病毒性肺炎、細菌性肺炎，后者則為找到并分隔出磨玻璃影等病灶區域。針對這些需求，團隊設計診斷算法模型，讓機器利用模型進行訓練，學習不同類型肺炎在CT影像表現上的不同特征，最終具備智能輔助診斷的能力。而這需要突破小樣本學習、小目標檢測等多個技術難題。“小樣本學習”即在較少訓練數據樣本的條件下進行機器學習。在疫情發生前期，能夠獲取的新冠肺炎影像數據相對較少，且由于一線影像醫生任務繁重，無法獲得大量專家標注，因此需要算法在少量樣本的條件下“自學成才”。為此，團隊采用基于自遷移學習的半監督學習等技巧，使算法具備一定的“小樣本學習”能力，在不增加醫生標注工作量的情況下較好地提高了算法模型的普適性。由于CT影像切片中的病灶區域有大有小，且往往大中小病灶區域面積懸殊，如何使算法能同時檢測大、中、小各個目標是另一大難題。團隊利用神經網絡的層次性特點與病灶區域的大小進行對應，“網絡的底層關注細節，即小病灶區域，而網絡中層到高層所關注的病灶區域則越來越大，因此模型通過不同層次的加權和融合，最終便能達到同時檢測大小病灶區域的目標。”薛向陽解釋道。“不過，即便有診斷‘神器’，影像科醫生也是不可替代的。”薛向陽說，人是復雜的機體，病毒在不同人體內感染的反映也不一定相同。”他表示，當遇到機器未曾學習過的微小病變或疑難病例時，仍需要影像醫生的經驗和智慧。以解決實際問題為目標，該項目在研究過程中始終與臨床應用緊密結合。無論是機器學習數據，還是測試評估數據，都來源于臨床真實病例。在算法模型定型過程中，為了檢驗模型的準確率和泛化性，團隊也利用現實疑似病例進行了測試。
復旦大學
2021-04-10
應急傳染病醫療救治中心的改造策略
“應急傳染病醫療救治中心的改造策略“方案充分利用原體育館附屬用房設置病房及醫護醫技用房，局部利用集裝箱增設符合傳染病醫院污水處理要求的病區廁所和醫護洗消模塊。并且針對武漢方艙醫院大規模病床無物理隔斷的缺陷，通過集裝箱模塊組合，搭建標準化的方艙醫院病房，改造利用可逆性強，對原體育館建筑只需改造空調排風。所有集裝箱病房及功能模塊均可災后回收，二次利用。 查看原文
南京大學
2021-04-10
基于AI 機器學習的影像組學模型研究
2019年12月以來，由SARS-CoV-2病毒感染導致的新型冠狀病毒疾病（COVID-19）在全球開始蔓延。報道顯示，SARS-CoV-2感染患者的中位住院時間為10天，而武漢患者在發病10天后癥狀有可能加重。因此，住院時間是COVID-19臨床預后的重要指標之一。 目前，CT影像學已成為COVID-19肺炎的診斷和監測工具，主要表現為磨玻璃影、實變及混合密度影。然而，現階段的影像學研究主要集中于對病灶的定性和半定量描述，缺乏對病灶的全定量分析。因此，基于前期提出的CT定量監測COVID-19肺炎病程，團隊假設在CT病灶背后的高通量影像特征“隱藏”了患者預后轉歸的“秘密”。 本研究納入了蘭州、安康、麗水、鎮江、臨夏5家新冠肺炎定點醫院，自2020年1月23日到2月8日期間住院患者的臨床資料和首次CT資料，所有患者經RT-PCR證實SARS-CoV-2病毒感染。至2月20日，研究共納入31例治愈出院的患者（排除14例未出院患者和7例首次CT檢查無肺炎表現患者），并將10天作為住院時長的二分類閾值。基于有限的樣本量，團隊將4個中心作為訓練隊列，另外一個中心作為驗證隊列。通過自動分割肺葉和半自動分割病灶，31名患者中累計分割出72個病灶。在對病灶圖像預處理后，提取影像組學特征并篩選。為了研究影像組學特征的穩定性，團隊使用了Logistics回歸模型和隨機森林模型對篩選的特征分別進行建模和驗證。?結果發現，6個篩選出的二階特征在兩種不同分類器中均表現出良好的預測價值。在外部測試隊列中，Logistics回歸模型的AUC為0·97(95%CI 0·83-1·0), 敏感性 1·0, 特異性0·89；隨機森林模型的AUC為0·92 (95%CI 0·67-1·0),敏感性 0·75, 特異性1·0。隨后，研究又納入了2月20日-28日新出院的6名患者，利用已建立的影像組學模型可以正確預測所有6名患者的住院時間。
東南大學
2021-04-10