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
- Implementing Reinforcement Learning Datacenter Congestion Control in
NVIDIA NICs [62.557323506605236]
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) - DGAFF: Deep Genetic Algorithm Fitness Formation for EEG Bio-Signal
Channel Selection [12.497603617622907]
チャネル選択は、データ次元を減らし、無関係なチャネルを排除するために利用されてきた。
本稿では,シーケンシャル検索法と遺伝的アルゴリズムを組み合わせたチャネル選択手法について述べる。
提案手法は,利用したデータセット上での運動画像の分類において,他のチャネル選択法よりも優れている。
論文 参考訳(メタデータ) (2022-02-21T08:06:17Z) - Low Latency Real-Time Seizure Detection Using Transfer Deep Learning [0.0]
スカルプ脳波(EEG)信号は本質的に低信号-雑音比を有する。
ディープラーニングを用いた発作検出における最も一般的なアプローチは、この情報を共同でモデル化したり、信号に複数のパスを必要とすることはない。
本稿では,マルチチャネル信号をグレースケール画像に変換すると同時に,転送学習を用いて高い性能を実現する。
論文 参考訳(メタデータ) (2022-02-16T00:03:00Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Projected GANs Converge Faster [50.23237734403834]
GAN(Generative Adversarial Networks)は高品質な画像を生成するが、訓練は難しい。
生成したサンプルと実際のサンプルを固定された事前訓練された特徴空間に投影することで、これらの問題に大きく取り組みます。
我々の投影GANは画像品質、サンプル効率、収束速度を改善する。
論文 参考訳(メタデータ) (2021-11-01T15:11:01Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Early Mobility Recognition for Intensive Care Unit Patients Using
Accelerometers [3.772793938066986]
Intensive Care Unit (ICU) 患者に対するヒト活動認識, 早期移動認識の医療応用を提案する。
我々のシステムには、ICU患者からの加速度計に基づくデータ収集と、患者の早期モビリティを認識するAIモデルが含まれている。
その結果,モデル精度は77.78%から81.86%に向上し,モデル不安定性(標準偏差)は16.69%から6.92%に低下した。
論文 参考訳(メタデータ) (2021-06-28T22:59:31Z) - Collaborative Federated Learning For Healthcare: Multi-Modal COVID-19
Diagnosis at the Edge [5.258947981618588]
我々は,医療におけるエッジコンピューティングの能力を活用し,臨床ビジュアルデータのインテリジェントな処理の可能性を分析し,評価する。
本研究では,CFL(Clustered federated Learning)の概念を,新型コロナの自動診断に応用した。
2つのベンチマークデータセットの異なる実験セットアップの下で,提案フレームワークの性能を評価する。
論文 参考訳(メタデータ) (2021-01-19T08:40:59Z) - Identity-Aware Attribute Recognition via Real-Time Distributed Inference
in Mobile Edge Clouds [53.07042574352251]
我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。
本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。
そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
論文 参考訳(メタデータ) (2020-08-12T12:03:27Z) - Coronary Artery Segmentation from Intravascular Optical Coherence
Tomography Using Deep Capsules [0.0]
血管内光コヒーレンストモグラフィーによる冠動脈の分画と解析は,冠動脈疾患の診断と管理の重要な側面である。
現在の画像処理手法は、専門家ラベル付きデータセットを生成するのに必要な時間と、分析中のバイアスの可能性によって妨げられている。
セグメンテーションの品質を犠牲にすることなく、推論時に高速なメモリフットプリントのモデルを開発する。
私たちは、私たちの開発が12%のパラメータを使用しながら、セグメンテーション品質とロバストネスの観点から最先端の機械学習手法と同等のモデルであるDeepCapにつながっていることを示しています。
論文 参考訳(メタデータ) (2020-03-13T01:37:45Z)
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。