Xilinx、Spline.AI、AWS 推出 X 射線分型深度學習模型和參考設計

2020-11-27 電子工程專輯

開源的自適應深度學習模型，助力醫療設備製造商和醫療服務提供商快速開發經過訓練的模型，面向臨床和放射醫學應用，加速COVID-19 和肺炎檢測。

賽靈思公司宣布推出全功能醫療 X 射線分型深度學習模型和參考設計套件，這是賽靈思與 Spline.AI 及亞馬遜網絡服務（AWS）強強攜手共同取得的合作成果。這種高性能模型部署在賽靈思 Zynq® UltraScale+™ MPSoC ZCU104 器件之上，並採用了賽靈思深度學習處理器單元（DPU）。該 DPU 是一種軟 IP 張量加速器，它的強大功能足以支持運行各種神經網絡，其中包括用於分型和疾病檢測的神經網絡。


賽靈思：開源、低成本、適應未來，三大平臺價值加速放射醫學應用開發

這一合作開發的解決方案使用了開源模型（在賽靈思 Zynq UltraScale+ MPSoC 器件上的 Python 編程平臺上運行），這意味著研究人員可以對其進行調整，以適應不同應用的特定需求。通過採用這樣的開源設計，醫療診斷設備、臨床設備製造商以及醫療服務提供商能夠快速地為行動裝置、可攜式設備或護理點邊緣設備中的大量臨床應用和放射醫學應用開發和部署經過訓練的模型，並提供向雲端擴展的選項。


賽靈思核心市場業務部市場營銷與業務開發副總裁 Kapil Shankar 表示：「AI 是醫療行業中發展速度最快、需求最強勁的應用領域。因此，能夠向業界推出這種自適應的開源解決方案，我們感到十分高興。這種低成本的解決方案兼具低時延、高能效和可擴展能力。此外，由於該模型能夠輕鬆適應相似的臨床應用和診斷應用，醫療設備製造商和醫療服務提供商可以藉助參考設計套件，提前快速開發出適應未來的臨床應用和放射醫學應用。」


AWS：Amazon SageMaker 訓練和 IoT Greengrass 實現從雲到端遠程醫療服務

該解決方案的 AI 模型使用 Amazon SageMaker 進行訓練，並使用 AWS IoT Greengrass 從雲端部署到邊緣，從而支持遠程機器學習（ML）模型更新、地域分布式推斷，並能夠跨遠程網絡和廣闊地域進行擴展。


亞馬遜網絡服務公司物聯網副總裁 Dirk Didascalou 表示：「能夠支持賽靈思為醫療客戶設計解決方案，滿足醫療客戶對快速開發用於臨床應用和放射醫學應用的受訓模型提出的迫切需求，我們深感欣慰。Amazon SageMaker 幫助賽靈思和 Spline.AI 開發出高質量的解決方案，從而使得使用低成本的醫療設備就可以為實現高準確度的臨床診斷提供支持。集成 AWS IoT Greengrass 後，醫生無需藉助物理醫療設備就能輕鬆地將 X 射線圖上傳到雲端，為更加偏遠的地區提供遠程診療服務。」


Spline.AI：通過準確迅速的實時圖像訓練加速肺炎和 COVID-19 檢測系統

Spline.ai 利用 Zynq UltraScale+ MPSoC 的實時功能和圖像處理特性來實施肺部感染及新冠病毒檢測模型，這對於了解感染程度和生成可視化熱圖非常有效。

該解決方案已被用於肺炎和 COVID-19 檢測系統，不僅準確度極高，而且推斷時延低。開發團隊採用了超過 30,000 幅精挑細選且帶有標記的肺炎圖像，以及 500 幅 COVID-19 圖像對深度學習模型進行訓練。這一數據已提供給醫療機構和研究機構用於開展公共研究，如美國國立衛生研究院（NIH）、史丹福大學、MIT 以及世界各地的其他醫院和診所。


Spline.AI 首席技術官 Syed Hussain 表示：「賽靈思 Zynq UltraScale+ MPSoC 是一種理想的邊緣器件，非常適用於在臨床環境下進行高性能深度學習模型的可擴展部署，例如我們在這次合作中訓練開發的新型 COVID-XS 模型就是一個很好的證明。」


進一步了解如何運用該賽靈思開源設計平臺開發放射醫學流，請訪問：https://china.xilinx.com/applications/medical/healthcare-ai.html


相關焦點

  • 在Netflix 評論中做情感分析的深度學習模型
    評論中人的感情的深度學習模型。我們需要在模型最後增加一個分類層，使用均指向量y_mean將評論劃分為正向情感類和負向情感類。在最終的分類層中，需要將均值向量y_mean和權重矩陣W相乘。以上描述的情感分析過程已經在我的GitHub repo上一個深度學習模型中實現。歡迎你來嘗試和復現。
  • 零基礎入門深度學習(六):圖像分類任務之LeNet和AlexNet
    :0001 導讀本課程是百度官方開設的零基礎入門深度學習課程，主要面向沒有深度學習技術基礎或者基礎薄弱的同學，幫助大家在深度學習領域實現從0到1+的跨越。從本課程中，你將學習到：深度學習基礎知識numpy實現神經網絡構建和梯度下降算法計算機視覺領域主要方向的原理、實踐自然語言處理領域主要方向的原理、實踐
  • 一文讀懂深度學習中的矩陣微積分,fast.ai創始人&ANTLR之父出品
    這位ANTLR之父和fast.ai創始人Jeremy Howard一起推出了一篇免費教程，旨在幫你快速入門深度學習中的矩陣微積分。簡明，易懂。DeepMind研究科學家Andrew Trask評價說：如果你想跳過不相干的內容，一文看盡深度學習中所需的數學知識，那麼就是這份資源沒錯了。只需一點關於微積分和神經網絡的基礎知識，就能單刀直入，開始以下的學習啦。
  • AWS在中國推出AWS Educate計劃
    (AWS) 今日在中國推出 AWS Educate 計劃，以此幫助中國教育工作者和學生在課堂中使用雲技術，為中國雲計算產業儲備人才。目前，一批來自清華大學、北京大學、上海交通大學、哈爾濱工業大學和西安交通大學的教授已率先加入AWS Educate 計劃，並將針對雲計算、物聯網 (IOT)、軟體工程和計算機科學 (CS) 基礎等主題的試點課程進行開發。
  • 當AI遇到生物-深度學習在生物研究中的應用案例列表
    由於這個領域的進步很快，深度學習助力基因科技這篇一年前寫的文章，現在看來已有些過時。本篇文章列出了部分現有的應用深度學習技術處理醫學和生物學問題的工具，從這個列表中，可以看出當前深度學習在該領域的挑戰和局限，也可以全面的了解深度學習在計算生物學，醫學影像及生物信息等學科所具有的廣泛應用場景。深度學習+生物的論文發表數量
  • 盤點金融領域裡常用的深度學習模型
    作者 | Sonam Srivastava ，譯者 | sambodhi ，編輯 | Vincent ，AI前線出品｜ ID：ai-front在今天我們發布的這篇文章中，作者 Sonam Srivastava 介紹了金融中的三種深度學習用例及這些模型優劣的證據。
  • Raptor Photonics發布Raptor 電子倍增型X射線成像相機 Falcon III...
    英國Raptor公司即將推出●     幀頻34fps@1024x1024●     深度製冷到112mm x 94mm典型應用：X-ray顯微成像、斷層影像、相襯成像和源特性、X-ray等離子診斷、
  • 十行代碼就能搞定深度學習?飛槳框架高層API,輕鬆玩轉AI
    機器之心發布機器之心編輯部嚮往深度學習技術，可是深度學習框架太難學怎麼辦？百度傾心打造飛槳框架高層 API，零基礎也能輕鬆上手深度學習，一起來看看吧？為了簡化深度學習的學習過程、降低深度學習的開發難度，百度飛槳框架歷經近一年的打磨，不斷地優化深度學習 API，並針對開發者的使用場景進行封裝，在飛槳框架的最新版本中，推出了高低融合、科學統一的飛槳全新 API 體系。飛槳框架將 API 分為兩種，基礎 API 和高層 API。
  • 還不會使用PyTorch框架進行深度學習的小夥伴,看過來
    選自heartbeat.fritz.ai作者：Derrick Mwiti機器之心編譯參與：Geek AI、王淑婷這是一篇關於使用 PyTorch 框架進行深度學習的教程，讀完以後你可以輕鬆地將該框架應用於深度學習模型。
  • DSP48E2 Slice 上優化 INT8 深度學習運算分析
    用於深度學習的 INT8 深度神經網絡（DNN）已掀起機器學習領域的變革, 同時運用新的達到人類水平的 AI 功能重新定義眾多現有的應用。 隨著更精確的深度學習模型被開發出來，它們的複雜性也帶來了高計算強度和高內存帶寬方面的難題。能效正在推動著深度學習推斷新模式開發方面的創新，這些模式需要的計算強度和內存帶寬較低，但絕不能以犧牲準確性和吞吐量為代價。
  • 從ACM班、百度到亞馬遜,深度學習大牛李沐的開掛人生
    使用動手筆記本教授深度學習：https：//d2l.ai 使CV / NLP / GNN更容易：https：//gluon-cv.mxnet.io,https：//gluon-nlp.mxnet.io,https：//dgl.ai減少深度學習的機器成本： DL框架：https：//.mxnet.io DL編譯器：https：//tvm.ai這其中提到的教授深度學習筆記
  • 如何區分人工智慧、機器學習和深度學習?
    深度學習(Deep Learning)是一種機器學習的方法，它試圖使用包含複雜結構或由多重非線性變換構成的多個處理層（神經網絡）對數據進行高層抽象的算法。神經網絡是一組大致模仿人類大腦構造設計的算法，用於識別模式。神經網絡通過機器感知系統解釋傳感器數據，能夠對原始輸入進行標記或聚類等操作。
  • 深度學習自學指南:6個月,從基礎知識到模型構建
    原作：Bargava安妮 編譯自 Medium量子位 出品 | 公眾號 QbitAI給你6個月的時間開始學習深度學習，能夠達到怎樣的程度？在這篇文章中，數據科學培訓老師Bargava就帶你半年入門深度學習。在這份攻略中，我將給大家講講零基礎入門深度學習可行性強的資料和學習方法。
  • Keras vs PyTorch:誰是第一深度學習框架?
    是要將深度學習應用到業務中，還是用深度學習開展副業，抑或只是為了得到一些適合市場需求的技能?無論目標是什麼，選擇合適的深度學習框架是達到目標的第一步。　　我們強烈建議你選擇 Keras 或 PyTorch。它們都是非常強大的工具，且不管是學習還是實驗都很有樂趣。我們是從教師和學生的角度考慮的。本文作者 Piotr 在企業舉辦過 Keras 和 PyTorch 研討會，Rafa?
  • AI 從業者該如何選擇深度學習開源框架丨雷鋒網公開課
    現在進入正題，我們該如何選擇深度學習開源平臺，參考標準應該是什麼樣的？一、深度學習開源平臺的 5 大參考標準今天主要探討的平臺（或者軟體）包括：Caffe, Torch, MXNet, CNTK, Theano, TensorFlow, Keras。如何選擇一個深度學習平臺？我總結出了下面的這些考量標準。因人而異，因項目而異。
  • 深度學習之卷積神經網絡經典模型
    不過，隨著SVM等手工設計的特徵的飛速發展，LeNet-5並沒有形成很大的應用狀況。隨著ReLU與dropout的提出，以及GPU帶來算力突破和網際網路時代大數據的爆發，卷積神經網絡帶來歷史的突破，AlexNet的提出讓深度學習走上人工智慧的最前端。
  • 一個簡單的深度學習模型,帶你深度了解背後原理
    全文共4431字，預計學習時長9分鐘深度學習是目前在實際數據科學應用中最流行的模型之一。從圖像到文本，再到語音/音樂等領域，它都是一個有效的模型。隨著使用量的上升，快速且可擴展地實現深度學習變得至關重要。Tensorflow等深度學習平臺的興起可以幫助簡化開發人員的實現方式。
  • 深度學習「賦能」光子結構設計
    該綜述展示了一些具有代表性的最新研究成果，尤其是對於基於經驗和傳統設計方法不可行的情況下，深度學習設計方法可以取得哪些突破。 什麼是神經網絡？ 神經網絡是深度學習的主要模型。