北京，2023年8月15日/PRNewswire/-全球领先的全息增强现实（“AR”）技术提供商WiMi全息云股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，为X射线图像开发了一种X射线图像分析的广义学习算法，命名为自动人工智能X射线图像分析仪（Auto-AIX）。
X射线图像分析是一个复杂的过程，涉及到骨密度、器官形状和组织密度等各种特征的检测。传统上，这一过程是由医学专业人员手动执行的，他们利用自己的专业知识来识别和分析特征。然而，这种方法耗时且容易出现人为错误，导致误诊和患者预后不佳。
WiMi一直在探索使用人工智能算法来自动化X射线图像分析过程。这些算法旨在从X射线图像的大型数据集中学习，并可以识别人类专家难以或不可能检测到的模式和特征。通过自动化X射线图像分析过程，人工智能算法有可能提高诊断的速度和准确性，同时减少医疗专业人员的工作量。然而，开发用于X射线图像分析的有效人工智能算法需要大量多样的X射线图像数据集进行训练和验证。该数据集必须经过仔细选择和注释，以确保AI算法能够准确识别图像特征。
WiMi开发了一种用于X射线图像分析的通用学习算法，该算法旨在从一组不同的X射线图像中学习，使其适合在现实世界中使用。该算法基于深度神经网络架构，该架构使用大量多样的X射线图像数据集进行训练。数据集经过整理和注释，以确保算法准确识别感兴趣的特征，如骨密度、器官形状和组织密度。为了提高算法的泛化能力，实现了数据扩展和域随机化等技术。数据扩展包括对原始X射线图像应用一系列变换，如旋转、缩放和翻转，以创建更大、更多样的训练数据集。领域随机化包括向训练数据添加随机噪声和扰动，这有助于算法推广到新的和看不见的X射线图像。该算法设计用于在一系列硬件平台上运行，从传统CPU到高性能GPU。这使得它适合在硬件资源可能有限或可变的现实世界环境中进行部署。
Auto AIX包括使用通用学习算法的数据采集、生成和注释。数据采集、生成和注释是构建深度学习模型的关键。在医学成像领域，由于患者的隐私和保密性，真实数据的收集和使用面临许多限制。AutoAIX通过使用计算机生成的合成数据来规避这些限制。具体来说，它使用CT对X射线图像进行建模，使合成数据具有逼真的外观和细节，从而提高了模型的准确性。
在Auto AIX中，生成合成数据的第一步是创建一个医学模型，该模型可以使用CT扫描或手术工具进行建模。然后，通过将噪声和变化注入医学模型，可以生成多个样本，这些样本覆盖了真实数据中可能出现的广泛情况和变化。最后，对这些样本进行注释，即通过手动标记其特征和疾病。这些注释可以自动应用于所有其他合成数据，从而节省大量的时间和人力成本。这个过程在AutoAIX中被称为“域扩展”，因为它允许将合成数据域扩展到更广泛的数据集。
Auto AIX使用基于广义学习的算法来构建深度学习模型。该算法的优点是，它可以使用大量的合成数据进行训练，而不需要大量的真实数据。这意味着，即使在收集真实数据时存在困难和限制，Auto AIX也可以训练高性能的深度学习模型。
具体来说，AutoAIX使用领域随机化技术来构建基于广义学习的算法。该技术的核心思想是通过在合成数据的外观和特征中引入随机性来提高模型的泛化能力。这种随机性可以是任意的，例如，将噪声、扰动、遮挡等添加到合成数据中。通过这种方式，Auto AIX可以构建具有高泛化性能的深度学习模型。
