新葡京娱乐场-大陆娱乐场开户注册

南開大學計算機學院程明明教授團隊與北京推想科技有限公司的聯合團隊，在CT影像智能診斷方面有緊密的合作基礎，并在前期研究中取得豐富的成果。 自新冠肺炎疫情爆發以來，相關技術人員深入湖北疫區合作醫院，將智能診斷技術用于新冠病毒的篩查。武漢同濟醫院過去幾周實際發生的475例疑似肺炎CT數據當中，人工智能(AI)對于疑似肺炎CT的敏感度為98.32%，對于同時期140例有癥狀但是確認非肺炎患者的CT特異度為82.14%。該系統為一線醫生篩查提供了重要幫助。  武漢同濟醫院醫生正在使用CT影像AI篩查系統 初步實驗和應用結果表明，利用各級醫院普遍使用的CT影像獲取設備，以及人工智能在線篩查系統，有望為新冠病毒防控工作提供智能輔助的雙保險，極大提升篩查效率。在與新冠病毒爭分奪秒的戰役中取得先機。該項目目前已完成具有較強實用性的版本，可以為防疫工作提供實質性輔助。研究團隊還在積極探索更高的檢測精度和更細致的量化分析技術。 新冠肺炎AI系統具有三大重要功能：快速篩查及預警提示、數字化精準輔助診斷與病程監控、區域疫情實時監控。該系統已在國內包括疫區在內的40家醫院應用部署，數據累積8.1萬份，為進一步提升系統性能奠定了基礎。

四川大學華西醫院2020年3月13日對“肺部多病變CT影像AI篩查與輔助診斷系統”進行測試，該系統能迅速高效地對患者胸部CT影像做出分析，發現具有“肺結節、肺癌、結核、病毒性肺炎、細菌性肺炎”等病癥的影像特征。 該技術依托于“疾病流行病學大數據研究平臺”，在華西生物醫學大數據中心的牽頭下，匯聚近20家醫療機構的醫學研究支持，基于人工智能深度學習技術，數據來自臨床確診病例，數據的遴選、標注由華西醫院放射科影像專家完成。技術研發到測試用時不到30天。CT影像是臨床診斷包括新冠肺炎在內的肺部病變的重要依據，但一名患者的肺部CT影像數量在500張左右，導致醫生診斷過程中工作量很大。 查看原文

影像學檢查在新冠肺炎的診療中具有非常重要的參考價值，《新型冠狀病毒感染的肺炎診療方案（試行第五版）》將“疑似病例具有肺炎影像學特征者”作為臨床診斷標準，但在臨床實踐中存在一定局限，疫情爆發導致待閱片數量激增，醫生閱片壓力巨大；新冠肺炎屬于新發疾病，各地醫療機構特別是基層機構缺乏閱片經驗，且由于“異病同影”，容易造成漏診或誤診；該病病程發展快，患者需要接受多次胸部CT檢查以監測病情發展、評估治療效果等，單憑閱片醫生肉眼很難快速對比并識別病灶變化。 在接診量高峰期，亟待建立更精準高效的人工智能影像輔助診斷方法。孫逸仙紀念醫院林天歆教授組織醫院呼吸內科、急診科、放射科、大數據與人工智能團隊開展科研攻關，在廣州再生醫學與健康廣東省實驗室、廣東省科技廳的支持下，聯合清華大學、澳門科技大學以及廣州康睿智能科技有限公司，使用50萬份臨床影像學大數據，開發了基于胸部CT的新型冠狀病毒肺炎AI篩查和輔助診斷系統。 該系統能對新冠肺炎進行快速診斷，判定新冠肺炎的分級和嚴重程度，協助醫療機構加速辨別感染者，為快速隔離、診斷、治療爭取時間。其優勢主要體現在：快速、準確地診斷新冠肺炎。有經驗的影像科醫生看完1個患者的胸部CT圖像約15-30分鐘。該AI系統可在20秒內完成1個患者CT圖像的檢測及診斷過程，診斷準確率達90%以上。進行病情嚴重程度分級和重癥危重癥預測功能。該系統可對胸部CT圖像每一切面的小結節、磨玻璃影和實變進行自動分割、標注及定量分析，可預測患者的吸氧頻率、血氧飽和度、全身代謝情況、其他器官損傷程度，預測病人發展為重癥、危重癥的概率和時間，以便醫生及時干預，降低患者死亡率。協助醫務人員進行藥物效果評估，指導用藥。系統可對同一位患者用藥前后的CT圖像進行對比分析，通過定量計算病灶在用藥前后的變化，判別藥物是否有效，指導臨床用藥。

“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。

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。 

AI心理情緒識別系統1.多模態信號采集：人臉動態圖像、腦電信號采集、語音情感檢測。2.功能模塊包含：情緒檢測、情緒檔案、數據統計、用戶管理、系統設置功能模塊。3.系統基于情緒心理學相關理論，結合面部表情的二維情感空間分析技術、腦電信號的狀態分析、語音的三維情感空間分析三種模態相互融合疊加技術，檢測人心理情緒狀態，提高其檢測準確度。3.    基于攝像頭面部情緒識別技術，可以實時分析人體面部所包含的情緒狀態。通過非接觸式的實時視采用 AI 人工智能學習技術，結合心理學，通過對被測試人員 60秒的測試，能夠獲取相關心理/心理指標。幫助被測試人員了解自己的心理健康狀況，并且引起人們重視心理健康，從而在工作、學習、生活當中提高身心健康。并且通過定期測試，能夠獲取個體、準確的進行心理危機預警，顯示被測人員心理危機測試報告，提醒心理醫生重點關注。用戶在進行注冊登錄后，根據語音提示可直接進入測試界面進行情緒識別。點擊測試按鈕，調整好站立位置，臉部朝向屏幕，人臉錄入即可完成測試，測試完成即可生成測試報告并能打印報告。4    基于腦電生物傳感器狀態檢測、實時展示人體腦波原始狀態指標以及Delta、Theta、Alpha、Beta、Gamma等8個EEG參數。5.    采用任務態模式進行語音情感分析，測試者按照系統設定的特定語境信息進行朗讀來進行情感分析。6.    檢測結束后可實時出具“心理生理狀態分析結果報告”，其中包括被測試人員信息、檢測時間、12維度心理生理情緒數據，包含正面情緒（平衡、自信心、活力、調節水平），負面情緒（攻擊性、壓力、緊張、可疑），生理參數（抑制、神經質、消沉、幸福指數），以及綜合狀態指標：專注度、放松度、疲勞指數、焦慮指數、壓力指數、抑郁指數等。7.    統計分析：系統自帶數據中心的統計功能，可以按單位進行所有檢測人員的壓力分布圖及重點關注人員的信息顯示。8.    檢測完成后系統自動生成檢測報告，檢測報告需包含每項參數的檢測數據大小、參考范圍、異常數據等，以及用情緒參數雷達圖、餅狀圖、直方圖、曲線視圖等多種表示方法。9.    信息查詢功能：管理員可通過多條件查詢功能，只需通過任意一項查詢條件即可快速查詢出與之對應和匹配的測試者信息，以及該測試者的歷史測試記錄，并可對該測試者的測試記錄進行縱向和橫向對比，綜合分析該名測試者的心理健康狀況。9.用戶管理端：以管理員身份登錄該系統可對用戶進行管理。可進行添加用戶、刪除用戶、查詢用戶、用戶信息修改、密碼修改、級別權限設置、單位框架搭建、查看用戶報告，以及導出、打印用戶報告。10.系統具有特定場合模態設置功能，可關閉和開啟語音檢測功能。11.視頻檢測時面部框具有信號質量檢測功能，通過不能的顏色在面部框進行彩色狀態提示，同時具有人臉檢測判別功能，比如面部不全、距離較遠等識別功能

本公司主要產品-多模態宮頸癌智能輔助篩查系統，利用人工智能和圖像處理技術實現宮頸液基細胞全切片智能解析和細胞DNA定量分析，應用自然語言處理技術對細胞學TBS報告、細胞DNA定量分析報告以及電子病歷報告進行知識挖掘。 一、項目進展 創意計劃階段 二、負責人及成員 姓名 學院/所學專業 入學/畢業時間 祝新宇 軟件工程 2019.9 / 2023.6 楊志鵬 軟件工程 2019.9 / 2023.6 孫宇 軟件工程 2019.9 / 2023.6 呂焓 國際經濟與貿易 2019.9 / 2023.6 朱瑩婧 會計學 2019.9 / 2023.6 唐昆銘 軟件工程 2018.9 / 2022.6 劉波 軟件工程 2018.9 / 2022.6 賀雨欣 軟件工程 2018.9 / 2022.6 束童 軟件工程 2018.9 / 2022.6 孫東東 軟件工程 2018.9 / 2022.6 黃薇 軟件工程 2018.9 / 2022.6 三、指導教師 姓名 學院/所學專業 職務/職稱 研究方向 史駿 軟件學院 副教授 機器學習與智慧醫療 四、項目簡介 本公司主要產品-多模態宮頸癌智能輔助篩查系統，利用人工智能和圖像處理技術實現宮頸液基細胞全切片智能解析和細胞DNA定量分析，應用自然語言處理技術對細胞學TBS報告、細胞DNA定量分析報告以及電子病歷報告進行知識挖掘，形成宮頸癌細胞學知識圖譜輔助醫生決策和病理科室質控，建立多模態宮頸癌智能輔助篩查系統及其輔助診斷模型，構建AI驅動的宮頸癌篩查全流程應用生態，力爭減輕篩查過程中病理醫生的工作強度，最大限度地提高宮頸癌篩查的質量和效率。 本公司主要出售兩種產品：（1）宮頸癌數字病理云平臺：用戶批量上傳宮頸液基細胞全切片圖像至遠程，云端將自動進行智能分析，本系統算法軟件已在遠端服務器進行部署搭建，適應了減輕病理醫生閱片篩查工作強度的需求。（2）智能顯微鏡及其AI組件：系統實時讀取顯微鏡下視野，實時出具分析結果，團隊研發的算法已通過嵌入式開發實現了軟硬件一體化服務，能夠適配多種品牌的顯微鏡。由于宮頸癌數字病理云平臺需要經過價格昂貴的掃描儀制作數字化全切片的繁瑣制作過程，成本較高，該產品形式避免了過程繁瑣的數字化全切片制作過程，同時成本較低，主要針對社區、鄉村等基層醫療機構，有利于提高宮頸癌早篩的覆蓋率。

簡單介紹： CT仿真虛擬實驗系統應用主流的CT設備和操作系統界面可完成理論知識、模擬視頻、模擬仿真操作、人機考試模擬仿真整個CT系統的工作流程，對學生的規范化實訓與教學工作。CT仿真虛擬實驗系統模擬CT教學系統設備按照醫院CT室布局標準建設。 詳情介紹： CT硬件 一、應用主流的CT設備和操作系統界面可完成理論知識、模擬視頻、模擬仿真操作、人機考試模擬仿真整個CT系統的工作流程，對學生的規范化實訓與教學工作。模擬CT教學系統設備按照醫院CT室布局標準建設。 二、設備主要組成 1． 掃描床 2． 掃描機架 3．主機控制軟件工作站 4 .遙控控制臺 三、CT硬件主要技術參數 1. 掃描床 1.1 床面尺寸≥400mmx1900mm 1.2水平運動范圍≥1200mm 1.3 垂直運動范圍≥300mm 1.4床面*高距離地面：≥850mm 1.5 床面*低可降至離地面距離：≤550mm 1.6 掃描床承載重量≥120kg 1.7按照軟件掃描模式可以步進及連續進出床 1.8提供頭托、床墊等掃描附件 2 .掃描機架 2.1機架尺寸：≥1700x1700x800mm 2.2 旋轉方式：定位/螺旋(掃描指示燈) 2.3 機架孔徑≥700mm 2.4 機架傾斜角度≥ +/- 24度 2.5 驅動方式：三相異步電動機 2.6 機架激光定位系統：X/Y/Z方式 2.7機架兩側分別各帶一塊控制面板，具備控制床面升降、前后運動、機架傾斜運動，控制激光定位系統、“急停”等按鈕，機架頂側具有液晶顯示屏，可顯示各項機械運動參數 2.8掃描機架配備模擬燈光系統，在軟件的相關體位掃描模式下同步自動觸發，模擬掃描機架的內部旋轉與燈光顯示。 2.9 機架外形款式要與目前CT機外形一致。  3.主機控制軟件工作站 一、應用主流的CT設備和操作系統界面可完成理論知識、模擬視頻、仿真操作、圖像后處理動態顯示、人機考試整個CT系統的工作流程，同時，可以拓展AI、VR、MR的接口。診斷報告模板系統、圖像后處理、PACS、可以配合硬件操作指導下接端口達60個以上操作臺對學生的規范化實訓與教學工作。CT模擬仿真系統具有**系統操作手冊。 二、主要技術參數 *1.控制軟件包含理論知識、包括技師職業素質，CT設備結構與組成，CT設備原理，CT檢查技術工作流程、臨床應用，CT圖像質量控制等。規范化操作流程視頻、包括開關CT設備，燈絲預熱，空氣校正，接待被檢查者，各部位掃描，控制臺操作，送被檢查者。仿真系統、包括從頭部到足部平掃描與增強掃描、圖像處理，圖像排版與攝影。圖像后處理動態顯示、3D、CTA、冠狀動脈掃描等。人機考試、可以進行對錯分析，分數，時間顯示。報告診斷模板、圖像處理與圖像后處理系統。主界面功能選擇區，其中： 欄為功能切換按鈕，從左往右依次為：“主界面操作區”、“顯示瀏覽區”、“圖像處理區”、“操作向導區”、“關機”。（掃描（SCAN）、顯示瀏覽（DISPLAY）、圖像處理（IMAGEWORKS））人機考試等項目，都具有英文顯示界面。可以進行技能操作比賽，可以顯示比賽選手參賽號、分數、名次等。人機考試可以自動打分、排名、對錯、升級、增加考試卷等。 2．掃描（SCAN）模塊必須具備新建病人信息功能：包含Exam Number(檢查號)、Accessions Number(附加號)、Patient ID(病人識別號)、Patient Name(病人姓名)、Birthdate(出生年月)、Sex（性別）、Age(年齡)、Weight(體重)、Exam Description(檢查部位描述)等信息 *3.掃描（SCAN）模塊必須包含頭顱、胸部、腹部、膝關節等至少13個以上掃描部位選取功能，具有中英文對照顯示，每一個掃描部位中 至少包含 普通平掃、螺旋掃描、增強掃描 、增加或者減少掃描序列。每一個掃描過程操作、顯示增強劑量、速度、時間、輻射劑量顯示、能肝臟分期掃描、腎臟分期掃描、腰椎椎體與椎間盤分別掃描有CTA、3D、冠狀動脈成像過程動態顯示方案。 *4.可設置病人體位的選擇：頭先進、腳先進、側位等,可以進行各種定位線名稱選擇調整等。 5.具備CT球管預熱和探測器校準模塊、開、關設備、快、慢掃描床進入操作、錯誤提醒系統。 6．定位線設定，自動顯示定位區域框，可調節定位區域大小，左右、傾斜角度調整，顯示定位線向基準線的選擇、可以改變定位線名稱，增加或者減少序列 7．*執行掃描，可選擇掃描類型4種、起始點數值顯示與改變，層數顯示與改變，螺距顯示與改變，用探測器排數顯示與改變，掃描速度顯示與改變，層厚度顯示與改變，機架角度顯示與改變，改變KV、MA、S、FOV等參數調整，系統會象真實CT 機器一樣在圖像顯示區實現掃描圖像一幅緊接一幅動態顯現的整個過程，同時掃描模擬進度條一直前行直到圖像掃描完成，掃描出的圖像必須與掃描方案一致。增強掃描 必須顯示增強CT圖像。排版各種方案、單、多幅、圖像定位線顯示、快捷攝影，拍片、窗寬、窗位、骨窗、腦窗、縱膈窗、圖像處理、發送、肺窗、可增加老師指導綜合性圖像處理（DR、CT、MR）教學、訓練、練習工作站軟件。 9.可進行病人信息數據管理。人機考試系統可以打出分數、回顧性對錯。系統技能比賽打出分數、編號、對錯分析等。具有指向性考題與增加考試卷和升級功能。 10.圖像處理功能：包含多幅顯示、局部放大、任意旋轉、正負像、顯示定位像中的掃描線等。 11.圖像測量功能：包含長度、曲線、間隙、面積和CT值測量等方式。 12.三維重建功能：包含體積重建（VR）、曲面重建（CPR）、多平面重建                     （MPR）等處理功能。 13.標準診斷報告系統模塊：私人報告模板與公共報告模板，滿足圖文報告的需求。可以連接PACS遠程診斷。 14.膠片打印模塊，多種膠片窗分格，單、多幅或者一鍵成像等與激光膠片打印機相連后可打印膠片

繪畫作品的藝術風格包含畫像的色彩、紋理、筆觸等等，往往很難準確定義。基于深度學習的畫像風格遷移讓機器自行學習藝術家的作品，使得最終輸出的合成圖像呈現出與藝術家作品一致的風格。本演示可以把藝術家的風格遷移到攝像頭捕捉的圖像中，讓平淡的圖像呈現出不一樣的藝術氣息。（The artistic style of a painting, which includes colors, textures, strokes, etc., is often difficult to define accurately. Deep learning-based portrait style transfer allows the machine to learn the artist's work by itself, so that the final output composite image presents a consistent style with the artist's work. This demo can transfer the artist's style to the image captured by the camera, so that the dull image presents a different artistic atmosphere.）

繪畫作品的藝術風格包含畫像的色彩、紋理、筆觸等等，往往很難準確定義。基于深度學習的畫像風格遷移讓機器自行學習藝術家的作品，使得最終輸出的合成圖像呈現出與藝術家作品一致的風格。本演示可以把藝術家的風格遷移到攝像頭捕捉的圖像中，讓平淡的圖像呈現出不一樣的藝術氣息。 （The artistic style of a painting, which includes colors, textures, strokes, etc., is often difficult to define accurately. Deep learning-based portrait style transfer allows the machine to learn the artist's work by itself, so that the final output composite image presents a consistent style with the artist's work. This demo can transfer the artist's style to the image captured by the camera, so that the dull image presents a different artistic atmosphere.）