論文の概要: High-Throughput AI Inference for Medical Image Classification and Segmentation using Intelligent Streaming

• arxiv url: http://arxiv.org/abs/2305.15617v1
• Date: Wed, 24 May 2023 23:27:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 18:12:11.855955
• Title: High-Throughput AI Inference for Medical Image Classification and Segmentation using Intelligent Streaming
• Title（参考訳）: インテリジェントストリーミングを用いた医用画像分類とセグメンテーションのための高速AI推論
• Authors: Pranav Kulkarni, Sean Garin, Adway Kanhere, Eliot Siegel, Paul H. Yi, Vishwa S. Parekh
• Abstract要約: 我々は、大規模臨床意思決定のための加速、コスト効率、帯域幅最適化、計算効率の良いAI推論を可能にする最先端のフレームワークを開発する。 分類において、インテリジェントストリーミングはデータ転送を99.01%削減し、復号時間を98.58%削減し、スループットを27.43倍に向上させた。 我々の研究は、インテリジェントストリーミングがより高速なターンアラウンドタイムを実現し、データと送信の全体的なコストを削減し、AIシステムを使用した臨床判断に悪影響を及ぼさないことを示した。
• 参考スコア（独自算出の注目度）: 3.131740922192114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the adoption of AI systems within the clinical setup grows, limitations in bandwidth could create communication bottlenecks when streaming imaging data, leading to delays in patient diagnosis and treatment. As such, healthcare providers and AI vendors will require greater computational infrastructure, therefore dramatically increasing costs. To that end, we developed intelligent streaming, a state-of-the-art framework to enable accelerated, cost-effective, bandwidth-optimized, and computationally efficient AI inference for clinical decision making at scale. For classification, intelligent streaming reduced the data transmission by 99.01% and decoding time by 98.58%, while increasing throughput by 27.43x. For segmentation, our framework reduced data transmission by 90.32%, decoding time by 90.26%, while increasing throughput by 4.20x. Our work demonstrates that intelligent streaming results in faster turnaround times, and reduced overall cost of data and transmission, without negatively impacting clinical decision making using AI systems.
• Abstract（参考訳）: 臨床設定におけるAIシステムの採用が増加するにつれて、帯域幅の制限は、画像データをストリーミングする際の通信ボトルネックを生じさせ、患者の診断と治療の遅れにつながる。 そのため、医療提供者やAIベンダーはより大きな計算インフラを必要とするため、コストは劇的に増加する。 そこで我々は,大規模臨床意思決定のための加速,コスト効率,帯域幅最適化,計算効率のよいAI推論を実現する,最先端のフレームワークであるインテリジェントストリーミングを開発した。 分類のためにintelligent streamingは、データ転送を99.01%、デコード時間を98.58%削減し、スループットを27.43倍に向上させた。 セグメンテーションのためのフレームワークは、データ転送を90.32%削減し、デコーディング時間を90.26%削減し、スループットを4.20倍向上させた。 我々の研究は、インテリジェントストリーミングがより高速なターンアラウンドタイムを実現し、データと送信の全体的なコストを削減し、AIシステムを使用した臨床判断に悪影響を及ぼさないことを示した。

関連論文リスト

• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Speaking the Same Language: Leveraging LLMs in Standardizing Clinical Data for AI [0.0]
  本研究は、医療データの標準化など、特定の課題に対処するため、大規模言語モデルの採用を念頭においている。 この結果から,大規模言語モデルを用いることで手作業によるデータキュレーションの必要性が著しく低下することが示唆された。 提案手法は、医療におけるAIの統合を迅速化し、患者のケアの質を向上させるとともに、AIのためのデータ作成に必要な時間と資金を最小化する。
  論文  参考訳（メタデータ） (2024-08-16T20:51:21Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Applying Bayesian Ridge Regression AI Modeling in Virus Severity Prediction [0.0]
  医療専門家に最先端ウイルス分析をもたらすAIモデルであるBayesian Ridge Regressionの長所と短所をレビューする。 モデルの精度評価は有望な結果を示し、改善の余地があった。 さらに、重症度指数は、患者のケアニーズを概観するための貴重なツールとして機能する。
  論文  参考訳（メタデータ） (2023-10-14T04:17:00Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Non-Imaging Medical Data Synthesis for Trustworthy AI: A Comprehensive Survey [6.277848092408045]
  データ品質は、医療において信頼できるAIを開発する上で重要な要素である。 高品質なデータセットへのアクセスは、データ取得の技術的困難によって制限される。 医療データの大規模な共有は、厳格な倫理的制約によって妨げられている。
  論文  参考訳（メタデータ） (2022-09-17T13:34:17Z)
• Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
  渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。 現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。 我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
  論文  参考訳（メタデータ） (2022-07-05T20:42:24Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Edge Intelligence for Empowering IoT-based Healthcare Systems [42.909808437026136]
  この記事では、スマートヘルスケアシステムにおけるAIとともに、エッジインテリジェント技術のメリットを強調します。 スマートヘルスケアシステムにおけるAIとエッジ技術の利用を促進するために、新しいスマートヘルスケアモデルが提案されている。
  論文  参考訳（メタデータ） (2021-03-22T19:35:06Z)
• Exploring Energy-Accuracy Tradeoffs in AI Hardware [0.0]
  我々は、アプリケーション依存のエネルギー要求を満たすために、AIシステムが最小限の精度で運用する必要があるシナリオを考察する。 本稿では,AIシステムのコストを意思決定プロセスのコストと意思決定実行のコストに分割する簡易関数を提案する。
  論文  参考訳（メタデータ） (2020-11-17T17:14:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。