Tóm tắt
Nhìn chung, các nhà nghiên cứu học sâu và các chuyên gia y tế luôn có một khoảng cách cản trở sự tương tác của họ: chuyên môn hoặc việc sử dụng công nghệ. Để thu hẹp khoảng cách này, chúng tôi đã phát triển một nền tảng phân tích hình ảnh y tế sử dụng học sâu để giúp họ làm việc cùng nhau dễ dàng hơn. Chúng tôi đã xây dựng nền tảng phiên bản thứ ba, nơi người dùng có thể tải lên và xử lý hình ảnh y tế để kiểm tra, nghiên cứu, hỗ trợ chẩn đoán hoặc đào tạo của họ. Rất tiếc, mã nguồn mở không khả dụng, nhưng chúng tôi cho phép người dùng tải xuống phiên bản dùng thử miễn phí trên máy chủ cục bộ của họ. Bài viết này sẽ thảo luận chi tiết về ba nội dung chính: cách chúng tôi đã xây dựng nền tảng, cách nó hỗ trợ người dùng và cách chúng tôi sử dụng các mô hình trong hệ thống của mình. Về cơ bản, chúng tôi đã tích hợp một số mô hình phổ biến vào nền tảng này với tập dữ liệu hơn 180.000 bệnh nhân. Ngoài ra, nền tảng này có thể giúp chúng tôi phát hiện 20 bệnh khác nhau liên quan đến phổi, chẳng hạn như Covid-19, Viêm phổi, Xẹp phổi, Hợp nhất, Phù, Tràn dịch, Tổn thương phổi, v.v. Độ chính xác của các mô hình là hơn 90%. Nền tảng được cung cấp miễn phí trên trang web: https://aceso.tech/. Lưu ý: chúng tôi đã chia nền tảng của mình thành 14 lớp, 18 lớp và 20 lớp.
Minh bạch thông tin
- Bài báo đã được 03 giáo sư đánh giá ngang hàng với tỷ lệ 02 chấp nhận và 01 từ chối dựa trên các tiêu chí sau: Tầm quan trọng/ Mức độ liên quan/ Tính mới/ Tính nguyên bản/ Đóng góp về kỹ thuật/ Tính đúng đắn của thử nghiệm/ Kiểm chứng tính rõ ràng của bản trình bày/ Tham chiếu đến tác phẩm trước.
- Bài báo được phép tham gia phần trình bài áp phích ở hội nghị AIPR 2021 - IEEE được tổ chức trực tuyến với điểm cầu chính tại Thủ đô Washington - Hoa Kỳ.
- Lưu ý: Ngày duyệt tức là ngày được uỷ ban hội nghị đồng ý bài báo được công bố tại hội nghị.
Từ khóa: Hình ảnh X - Quang, Nền tảng Aceso, Học sâu, Python, Phân tích hình ảnh y tế, Máy học
Bình luận