新葡京娱乐场-大陆娱乐场开户注册

北京體育大學(xué)主導(dǎo)研發(fā)的全球首款基于AI圖像識(shí)別技術(shù)的三維運(yùn)動(dòng)解析系統(tǒng)可以自動(dòng)識(shí)別人體關(guān)鍵點(diǎn)，將不同攝像機(jī)拍攝到的同一運(yùn)動(dòng)畫面進(jìn)行三維合成和運(yùn)動(dòng)技術(shù)分析，獲得運(yùn)動(dòng)生物力學(xué)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(shí)間，提高了三維解析效率，有效提高運(yùn)動(dòng)表現(xiàn)。

東北大學(xué)醫(yī)學(xué)影像智能計(jì)算教育部重點(diǎn)實(shí)驗(yàn)室團(tuán)隊(duì)研發(fā)的肺部精準(zhǔn)診療醫(yī)學(xué)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(dǎo)航、教學(xué)、肺部CT圖像分割等醫(yī)學(xué)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(yàn)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(jì)是借助二維肺部CT影像或計(jì)算機(jī)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(shí)技術(shù)并結(jié)合實(shí)驗(yàn)室的技術(shù)與數(shù)據(jù)儲(chǔ)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(duì)大型手術(shù)準(zhǔn)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(yàn),因此配鏡質(zhì)量難以控制、效率不高、費(fèi)時(shí)耗力。本成果是全球首個(gè)基于人工智能算法的角膜塑形配鏡解決方案,實(shí)現(xiàn)了擁有完整自主知識(shí)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(shí)極大保證了配鏡提高質(zhì)量。本成果與“愛爾眼科集團(tuán)”聯(lián)合開發(fā),臨床測試的配鏡準(zhǔn)確率達(dá)90%以上。

該項(xiàng)目主要內(nèi)容：1、實(shí)現(xiàn)對(duì)電梯控制裝置直流母線電壓的實(shí)時(shí)檢測，判別電梯運(yùn)行狀態(tài)，當(dāng)電梯運(yùn)行在發(fā)電狀態(tài)時(shí)，將發(fā)電電梯所產(chǎn)生的電能用于其他耗電電梯的供電，即將其中一臺(tái)或者二臺(tái)電梯發(fā)電時(shí)產(chǎn)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(gè)能量；若電梯的用電量少于電梯發(fā)電量，則將剩余電量回饋到電網(wǎng)。解決能量在各個(gè)電梯間的動(dòng)態(tài)優(yōu)化配置，實(shí)現(xiàn)系統(tǒng)能量分配的自適應(yīng)調(diào)節(jié)，達(dá)到節(jié)約用電，提高用電效率的目的。2、將處于發(fā)電狀態(tài)的電梯所產(chǎn)生的電能用于其他耗電狀態(tài)電梯的運(yùn)行或回饋電網(wǎng)，節(jié)約電能，取消電梯機(jī)房（或縮

人工智能邊緣實(shí)驗(yàn)平臺(tái)為標(biāo)準(zhǔn)的2.5U機(jī)架式設(shè)備，配置20塊FPGA開發(fā)板(Cyclone® V SoC系列)，可供20位學(xué)員同時(shí)進(jìn)行FPGA設(shè)計(jì)、調(diào)試、下載及相關(guān)驗(yàn)證，并具備SoC網(wǎng)絡(luò)技術(shù)和FPGA遠(yuǎn)程調(diào)試技術(shù)，通過網(wǎng)絡(luò)為教學(xué)實(shí)驗(yàn)提供配套服務(wù)，實(shí)現(xiàn)在線實(shí)驗(yàn)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(shí)驗(yàn)平臺(tái)為標(biāo)準(zhǔn)的2.5U機(jī)架式設(shè)備，配置20塊FPGA開發(fā)板(Cyclone V SoC系列)，可供20位學(xué)員同時(shí)進(jìn)行FPGA設(shè)計(jì)、調(diào)試、下載及相關(guān)驗(yàn)證，并具備SoC網(wǎng)絡(luò)技術(shù)和FPGA遠(yuǎn)程調(diào)試技術(shù)，通過網(wǎng)絡(luò)為教學(xué)實(shí)驗(yàn)提供配套服務(wù)，實(shí)現(xiàn)在線實(shí)驗(yàn)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(xiàng)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(qiáng)的主觀色彩。通過采集大量各類體育賽事數(shù)據(jù)進(jìn)行模型訓(xùn)練，利用深度神經(jīng)網(wǎng)絡(luò)良好的自主學(xué)習(xí)能力，采用Centernet作為多目標(biāo)檢測能力的實(shí)現(xiàn)框架，同時(shí)利用Transformer重構(gòu)目標(biāo)檢測進(jìn)行連鎖，二次捕捉目標(biāo)檢測的準(zhǔn)確性。CenterNet和Transformer的融合，實(shí)現(xiàn)了端到端的目標(biāo)檢測，在準(zhǔn)確性提升的基礎(chǔ)上滿足實(shí)時(shí)處理視頻的要求。綜合應(yīng)用多目標(biāo)檢測跟蹤以及多模式識(shí)別技術(shù)，實(shí)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(shí)也增加了短視頻剪輯的客觀性，在大數(shù)據(jù)時(shí)代背景下有著重要的現(xiàn)實(shí)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(píng)估嚴(yán)重程度。”薛向陽介紹，針對(duì)臨床的現(xiàn)實(shí)需求，團(tuán)隊(duì)將設(shè)計(jì)目標(biāo)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(xì)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(duì)這些需求，團(tuán)隊(duì)設(shè)計(jì)診斷算法模型，讓機(jī)器利用模型進(jìn)行訓(xùn)練，學(xué)習(xí)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(xué)習(xí)、小目標(biāo)檢測等多個(gè)技術(shù)難題。“小樣本學(xué)習(xí)”即在較少訓(xùn)練數(shù)據(jù)樣本的條件下進(jìn)行機(jī)器學(xué)習(xí)。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(duì)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(biāo)注，因此需要算法在少量樣本的條件下“自學(xué)成才”。為此，團(tuán)隊(duì)采用基于自遷移學(xué)習(xí)的半監(jiān)督學(xué)習(xí)等技巧，使算法具備一定的“小樣本學(xué)習(xí)”能力，在不增加醫(yī)生標(biāo)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(shí)檢測大、中、小各個(gè)目標(biāo)是另一大難題。團(tuán)隊(duì)利用神經(jīng)網(wǎng)絡(luò)的層次性特點(diǎn)與病灶區(qū)域的大小進(jìn)行對(duì)應(yīng)，“網(wǎng)絡(luò)的底層關(guān)注細(xì)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(dá)到同時(shí)檢測大小病灶區(qū)域的目標(biāo)。”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(fù)雜的機(jī)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(dāng)遇到機(jī)器未曾學(xué)習(xí)過的微小病變或疑難病例時(shí)，仍需要影像醫(yī)生的經(jīng)驗(yàn)和智慧。以解決實(shí)際問題為目標(biāo)，該項(xiàng)目在研究過程中始終與臨床應(yīng)用緊密結(jié)合。無論是機(jī)器學(xué)習(xí)數(shù)據(jù)，還是測試評(píng)估數(shù)據(jù)，都來源于臨床真實(shí)病例。在算法模型定型過程中，為了檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確率和泛化性，團(tuán)隊(duì)也利用現(xiàn)實(shí)疑似病例進(jìn)行了測試。

“應(yīng)急傳染病醫(yī)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(shè)置病房及醫(yī)護(hù)醫(yī)技用房，局部利用集裝箱增設(shè)符合傳染病醫(yī)院污水處理要求的病區(qū)廁所和醫(yī)護(hù)洗消模塊。并且針對(duì)武漢方艙醫(yī)院大規(guī)模病床無物理隔斷的缺陷，通過集裝箱模塊組合，搭建標(biāo)準(zhǔn)化的方艙醫(yī)院病房，改造利用可逆性強(qiáng)，對(duì)原體育館建筑只需改造空調(diào)排風(fēng)。所有集裝箱病房及功能模塊均可災(zāi)后回收，二次利用。   查看原文

2019年12月以來，由SARS-CoV-2病毒感染導(dǎo)致的新型冠狀病毒疾病（COVID-19）在全球開始蔓延。報(bào)道顯示，SARS-CoV-2感染患者的中位住院時(shí)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(shí)間是COVID-19臨床預(yù)后的重要指標(biāo)之一。 目前，CT影像學(xué)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(shí)變及混合密度影。然而，現(xiàn)階段的影像學(xué)研究主要集中于對(duì)病灶的定性和半定量描述，缺乏對(duì)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(tuán)隊(duì)假設(shè)在CT病灶背后的高通量影像特征“隱藏”了患者預(yù)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(diǎn)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(shí)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(shí)長的二分類閾值。基于有限的樣本量，團(tuán)隊(duì)將4個(gè)中心作為訓(xùn)練隊(duì)列，另外一個(gè)中心作為驗(yàn)證隊(duì)列。通過自動(dòng)分割肺葉和半自動(dòng)分割病灶，31名患者中累計(jì)分割出72個(gè)病灶。在對(duì)病灶圖像預(yù)處理后，提取影像組學(xué)特征并篩選。為了研究影像組學(xué)特征的穩(wěn)定性，團(tuán)隊(duì)使用了Logistics回歸模型和隨機(jī)森林模型對(duì)篩選的特征分別進(jìn)行建模和驗(yàn)證。?結(jié)果發(fā)現(xiàn)，6個(gè)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(yù)測價(jià)值。在外部測試隊(duì)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(jī)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(xué)模型可以正確預(yù)測所有6名患者的住院時(shí)間。