新葡京娱乐场-大陆娱乐场开户注册

強智AI一卡通綜合管理平臺，針對傳統(tǒng)校園一卡通運營弊端，以移動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、人臉識別等為核心，搭建“一卡一碼一賬號”無感支付的新型一卡通平臺，對學校食堂消費、水電繳費、門禁管理、圖書館管理、校車服務(wù)、校內(nèi)醫(yī)療、自助文印等進行一體化運營和管理，完善學校管控，為廣大師生提供便利的校園生活，實現(xiàn)更便捷、更開放、更安全、更協(xié)同的現(xiàn)代化校園生活。

北京體育大學主導研發(fā)的全球首款基于AI圖像識別技術(shù)的三維運動解析系統(tǒng)可以自動識別人體關(guān)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(shù)分析，獲得運動生物力學的詳盡參數(shù)。該系統(tǒng)利用AI 技術(shù)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(xiàn)。

東北大學醫(yī)學影像智能計算教育部重點實驗室團隊研發(fā)的肺部精準診療醫(yī)學影像AI-VR 輔助診療系統(tǒng)適用于肺部醫(yī)療、肺部手術(shù)術(shù)前規(guī)劃、術(shù)中導航、教學、肺部CT圖像分割等醫(yī)學臨床領(lǐng)域。傳統(tǒng)的肺部醫(yī)療診斷中，主要是通過觀察肺部二維切片圖像去發(fā)現(xiàn)病原體，往往只能靠醫(yī)生的經(jīng)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(shù)前分析與方案設(shè)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(xiàn)實技術(shù)并結(jié)合實驗室的技術(shù)與數(shù)據(jù)儲備優(yōu)勢，開發(fā)了一套基于VR的AI肺部輔助手術(shù)系統(tǒng)，致力于肺部三維重建，為醫(yī)療人員更好地解決了醫(yī)生面對大型手術(shù)準備不足的問題。

全球近視病發(fā)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(chuàng)傷性的近視治療技術(shù)，在全世界得到廣泛應(yīng)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(shù)組合眾多,傳統(tǒng)辦法依賴于醫(yī)生經(jīng)驗,因此配鏡質(zhì)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(xiàn)了擁有完整自主知識產(chǎn)權(quán)的算法和芯片,比傳統(tǒng)方法提高效率10倍以上，同時極大保證了配鏡提高質(zhì)量。本成果與“愛爾眼科集團”聯(lián)合開發(fā),臨床測試的配鏡準確率達90%以上。

人工智能邊緣實驗平臺為標準的2.5U機架式設(shè)備，配置20塊FPGA開發(fā)板(Cyclone® V SoC系列)，可供20位學員同時進行FPGA設(shè)計、調(diào)試、下載及相關(guān)驗證，并具備SoC網(wǎng)絡(luò)技術(shù)和FPGA遠程調(diào)試技術(shù)，通過網(wǎng)絡(luò)為教學實驗提供配套服務(wù)，實現(xiàn)在線實驗室的虛擬仿真技術(shù)。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.

人工智能邊緣實驗平臺為標準的2.5U機架式設(shè)備，配置20塊FPGA開發(fā)板(Cyclone V SoC系列)，可供20位學員同時進行FPGA設(shè)計、調(diào)試、下載及相關(guān)驗證，并具備SoC網(wǎng)絡(luò)技術(shù)和FPGA遠程調(diào)試技術(shù)，通過網(wǎng)絡(luò)為教學實驗提供配套服務(wù)，實現(xiàn)在線實驗室的虛擬仿真技術(shù)。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.

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(jié)果有著很強的主觀色彩。通過采集大量各類體育賽事數(shù)據(jù)進行模型訓練，利用深度神經(jīng)網(wǎng)絡(luò)良好的自主學習能力，采用Centernet作為多目標檢測能力的實現(xiàn)框架，同時利用Transformer重構(gòu)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(xiàn)了端到端的目標檢測，在準確性提升的基礎(chǔ)上滿足實時處理視頻的要求。綜合應(yīng)用多目標檢測跟蹤以及多模式識別技術(shù)，實現(xiàn)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(shù)據(jù)時代背景下有著重要的現(xiàn)實意義。

“現(xiàn)階段醫(yī)生需要在大量影像數(shù)據(jù)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(xiàn)實需求，團隊將設(shè)計目標定位于“肺炎分類鑒別”和“關(guān)鍵病灶檢測”兩大功能，前者是為區(qū)別健康狀態(tài)、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(qū)域。針對這些需求，團隊設(shè)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(xiàn)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(shù)難題。“小樣本學習”即在較少訓練數(shù)據(jù)樣本的條件下進行機器學習。在疫情發(fā)生前期，能夠獲取的新冠肺炎影像數(shù)據(jù)相對較少，且由于一線影像醫(yī)生任務(wù)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(jiān)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(yī)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(qū)域有大有小，且往往大中小病灶區(qū)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(jīng)網(wǎng)絡(luò)的層次性特點與病灶區(qū)域的大小進行對應(yīng)，“網(wǎng)絡(luò)的底層關(guān)注細節(jié)，即小病灶區(qū)域，而網(wǎng)絡(luò)中層到高層所關(guān)注的病灶區(qū)域則越來越大，因此模型通過不同層次的加權(quán)和融合，最終便能達到同時檢測大小病灶區(qū)域的目標。”薛向陽解釋道。“不過，即便有診斷‘神器’，影像科醫(yī)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(nèi)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(yī)生的經(jīng)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(yīng)用緊密結(jié)合。無論是機器學習數(shù)據(jù)，還是測試評估數(shù)據(jù)，都來源于臨床真實病例。在算法模型定型過程中，為了檢驗?zāi)Ｐ偷臏蚀_率和泛化性，團隊也利用現(xiàn)實疑似病例進行了測試。

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(fā)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(jiān)測工具，主要表現(xiàn)為磨玻璃影、實變及混合密度影。然而，現(xiàn)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(jiān)測COVID-19肺炎病程，團隊假設(shè)在CT病灶背后的高通量影像特征“隱藏”了患者預后轉(zhuǎn)歸的“秘密”。 本研究納入了蘭州、安康、麗水、鎮(zhèn)江、臨夏5家新冠肺炎定點醫(yī)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(jīng)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(xiàn)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(wěn)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(jié)果發(fā)現(xiàn)，6個篩選出的二階特征在兩種不同分類器中均表現(xiàn)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。 

中國電子學會發(fā)布“電子信息領(lǐng)域優(yōu)秀科技論文（2020）遴選活動”入選論文。東南大學尤肖虎、張川、談曉思、金石、鄔賀銓聯(lián)合署名的論文《AI for 5G: research