基于雾的深度学习框架,用于智能城市的实时流行病查,使用多站点断层扫描
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, 72388, Sakaka, Aljouf, Saudi Arabia. irrashdi@ju.edu.sa.
BMC medical imaging
|May 26, 2024
概括
这项研究引入了一个新的AIoT框架,用于使用多站点数据融合进行准确的流行病诊断. 一个新的多解码器网络和PANDFOG系统使边缘设备上有效的COVID-19病变细分成为可能.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 智慧城市技术 智慧城市技术
背景情况:
- 流行病给全球健康带来了重大挑战,给国际卫生基础设施带来了巨大压力.
- 事物的人工智能 (AIoT) 在智能城市中提供了有效的流行病控制和诊断的潜力.
- 整合多源机构数据是实际AIoT流行病解决方案的主要障碍.
研究的目的:
- 通过多站点数据融合,为增强流行病诊断提供一个新的框架.
- 开发和评估一个多解码器细分网络,以从跨域CT扫描中准确地细分COVID-19病变.
- 提出一种雾计算 (FC) 技术,用于在边缘节点上部署AIoT模型进行实时分析.
主要方法:
- 开发了一个新的多解码器细分网络来处理来自CT扫描的异质数据.
- 实施了一种名为PANDFOG的雾计算 (FC) 技术,用于对细分网络的边缘部署.
- 对COVID-19病变细分的三个公共数据集评估了网络的性能.
主要成果:
- 多解码器细分网络实现了平均Dice得分为89.9%,平均表面Dice得分为86.87%.
- PANDFOG系统成功地在边缘节点上部署了网络,实现了实际的,自动化的COVID-19肺炎分析.
- 从跨域CT扫描中证明了感染的准确细分,突出显示了该模型的稳定性.
结论:
- 拟议的多解码器细分网络有效地从各种CT扫描数据中细分感染.
- PANDFOG系统促进了AIoT诊断工具在临床环境中的实际,低延迟部署.
- 这项研究增强了对COVID-19等流行病的实时患者监测和临床决策.
