小程序
传感搜
传感圈

MIT研发新的AI系统看图织毛衣,生成指令准确率达94%

2019-08-16
关注
摘要 近日,麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员在最新论文中提出了一种用于针织服装自动化的新系统和设计工具,可以简化编程设计的流程。

        近期,在AI领域,国内外知名厂商都有哪些最新的创新AI产品问世呢?来看看以下三则业界新品动态。

MIT研发新的AI系统看图织毛衣,生成指令准确率达94%

  近日,麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员在最新论文中提出了一种用于针织服装自动化的新系统和设计工具,可以简化编程设计的流程。

  研究团队创建了一个名为“ InverseKnit”的系统,可以将针织图案的照片翻译成指令,然后与机器一起用来制作服装。这样的方法可以让普通用户在没有编码知识的情况下创建设计,甚至可以协调制作过程中的效率和浪费问题。

  一开始,为了让InverseKnit系统真正运行起来,研究团队创建了一个编织指令的数据集,以及这些模式匹配的图像。然后他们用这些数据训练系统的深度神经网络,来解释图像中的二维编织指令。比如,给系统一张手套的照片,然后让模型生成一组指令,InverseKnit就会按照这些指令输出设计。测试InverseKnit时94%的时间它都能生成准确的指令。

  虽然说自动编织机器能制作各种材料和样式的服装,不过目前这项技术还远远谈不上天衣无缝,编织设计是一个很复杂繁琐的考验,编程的机器要指定每一针的位置,一个错误就可能导致整件衣服都被毁掉。研究人员发现,在制作像毛衣这种比较复杂的服装时,系统部件不能很好的与设计工具配合。毛衣和袖子的主干虽然可以通过各种方式连接,但软件还没有一种可以描述整个设计的方法。

  此外,目前的系统只能使用一根纱线来制作一个形状,但团队希望通过在每一针引入一堆纱线来改进这一点。为了能够处理更复杂的图案和更大的形状,研究人员计划使用分层数据结构,这种结构不包含制作中需要所有纱线,只包含必要纱线。提出该设想的研究人员在论文中表示,就机器人和编织而言,这种类型的系统能帮助没有编程和设计知识的普通用户快速掌握使用编织机的技能,无需编程专业知识就能访问机器。

新AI系统诊断乳腺癌准确率比医生高

  日前,美国研究人员开发出一种人工智能(AI)系统,可帮助医生更准确地读取活检组织数据,更好地诊断乳腺癌。他们在近日美国医学协会期刊《JAMA Network Open》上,发表相关研究论文称,这一系统对某些类型乳腺病变的诊断准确率,甚至比经验丰富的医生还要高。

  对乳腺癌诊断来说,活体组织检查是一个不可或缺的重要手段。但通过活检形成的医学图像包含着大量复杂的数据,医生在理解这些数据时不可避免地会带有一定的主观性,从而造成诊断上的偏差。有研究表明,在美国,每6个导管原位癌(一种非侵润性乳腺癌)病例中,就会出现一次诊断错误,而对乳腺异型性的诊断出错率则更高。

  此次,华盛顿大学、佛蒙特大学等机构研究人员合作开发的AI系统,未来或可在一定程度上缓解医生的压力。

  研究团队利用240例乳腺病例活检的图像,对新开发的AI系统进行训练,以提高其识别良性、异型性、原位导管癌、浸润性乳腺癌等乳腺病变模式的能力。随后,研究团队通过该系统对60个乳腺活检标本进行了分析,并将诊断结果与87名美国执业医生的独立诊断结果进行了比较。

  结果显示,人工智能程序在区分癌症和非癌症病例方面的表现略逊于人类医生,但在区分乳腺异型性与原位导管癌方面的表现则要优于人类医生。在相关类型病变的诊断上,AI系统的灵敏度介于0.88至0.89之间,而人类医生的平均灵敏度仅有0.70。敏感性得分越高,表明诊断和分类正确的可能性越大。

  研究人员表示,长期以来,美国医生在乳腺异型性和原位导管癌的诊断上一直表现不佳,准确率很低,这也成为美国医生在乳腺癌诊断上面临的一个最大挑战。而他们的研究结果表明,基于机器学习的人工智能系统在此方面具有巨大潜力,可以作为辅助系统,帮助医生作出更加准确的诊断。

腾讯推全球首款医疗AI开源模型 专用于3D医疗影像

  近日,腾讯优图首个医疗AI深度学习预训练模型MedicalNet正式对外开源。据称,这是全球第一个提供多种3D医疗影像专用预训练模型的项目,将为全球医疗AI发展提供基础。不同于自然图像,医疗影像大部分都是3D结构形态的,同时,由于数据获取和标注难度大,数据量稀少,目前尚未存在海量数据集及对应的预训练模型。

  MedicalNet是由腾讯优图开发的一系列预训练模型,在深度学习应用基础上开发而成,专用于3D医疗影像。据称,MedicalNet可以为任何3D医疗影像AI应用起到“打地基”的作用,加快模型收敛,减轻模型对数据量的依赖。

  据了解,MedicalNet具备以下特性:首先,MedicalNet提供的预训练网络可迁移到任何3D医疗影像的AI应用中,包括但不限于分割、检测、分类等任务;其次,尤其适用小数据医疗影像AI场景,能加快网络收敛,提升网络性能;第三,通过简单配置少量接口参数值,即可进行微调训练;第四,项目提供多卡训练以及测试评估代码,接口丰富,扩展性强;最后,提供不同深度3D ResNet预训练模型,可供不同数据量级应用使用。

        MedicalNet相当于为各个3D医疗影像应用准备了具备临床通用知识的数据库。即使在小数据量中,该数据库的有效特征也能帮助落地应用取得较好的医疗检测性能,这大大减轻医疗影像AI应用对数据量的依赖,实现了落地需求,加快了落地速度。

您觉得本篇内容如何
评分

评论

您需要登录才可以回复|注册

提交评论

提取码
复制提取码
点击跳转至百度网盘