مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر، مهندسی فناوری اطلاعات، مهندسی پزشکی
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی، مهندسی الگوریتم ها و محاسبات، رایانش ابری، اینترنت و شبکه های گسترده، پردازش تصاویر پزشکی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. تشخیص تصویر هوش مصنوعی و الگوریتم لبه یادگیری عمیق 5G
2.1. توموگرافی پزشکی هوشمند بدن
2.2. الگوریتم لبه یادگیری عمیق 5G بر اساس تشخیص تصویر هوش مصنوعی
3. تشخیص چند منظوره پزشکی هوشمند
3.1. روش ها
3.2. طراحی
4. نتایج و بحث
4.1. تشخیص تصویر هوش مصنوعی در پزشکی هوشمند
4.2. بحث
5. نتیجه گیری ها
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
In this paper, we use artificial intelligence image recognition to obtain Digestive endoscopy image, and process the image based on 5G Deep learning edge algorithm to judge the disease type of the patient, and then consider the treatment plan. The combination of body area network and edge computing technology can meet the demand of low delay in body area network. In this case, the resource constrained body area network gateway node can process the physiological data collected by it into an offloadable task, and then unload the task and data to the edge computing node according to a certain strategy. The edge computing node completes the corresponding task processing and data storage, and finally provides the results to the relevant medical institutions and body area network users for reading auxiliary diagnosis and treatment of diseases. Studies have shown that 25% of patients with colon polyps have CD4 cells in peripheral blood based on 5G deep learning edge algorithm under artificial intelligence image recognition of Digestive endoscopy. The number of lymphocyte in group of differentiation was less than 200/μL, and the blood RNA in 92.3% patients was lower than 100 IU/ml, while fam CTP (A-cyclic peptide) was lower than 100 IU/ml. Opportunistic infections of the intestine and viruses can directly cause enteropathy because the fluorescence intensity of the probe is essentially unchanged and cannot form a triple helix structure. In terms of feature recognition accuracy, the 5G deep learning edge algorithm in this paper improves accuracy by 68% compared to the simple Yolo algorithm, and is similar in speed. Compared with RCNN algorithm, the accuracy and speed are improved by 21% and 85% respectively. Therefore, the 5G deep learning edge algorithm based on artificial intelligence image recognition has the advantages of accuracy and speed in digestive endoscopy of intelligent medical.
چکیده
در این مقاله از تشخیص تصویر هوش مصنوعی برای بدست آوردن تصویر آندوسکوپی گوارشی استفاده می کنیم، و تصویر را براساس الگوریتم لبه یادگیری عمیق 5G پردازش می کنیم تا درباره نوع بیماری قضاوت کنیم و سپس برنامه درمانی را در نظر بگیریم. ترکیب شبکه ناحیه بدنی و فناوری رایانش لبه می تواند تقاضایی با تاخیر کم را در شبکه ناحیه بدن برآورده کند. در این مورد، گره گیت وی شبکه ناحیه بدنی محدود شده با منابع می تواند داده های فیزیولوژیکی جمع آوری شده را با یک وظیفه قابل بارگیری پردازش کند، و سپس با توجه به یک استراتژی خاص، وظایف و داده ها را در گره محاسباتی لبه تخلیه کند. گره رایانش لبه، پردازش مرتبط با وظیفه و ذخیره سازی داده را تکمیل می کند، و در نهایت نتایج را به موسسات پزشکی مربوطه و کاربران شبکه ناحیه بدنی برای خواندن تشخیص کمکی و درمان بیماری ها ارائه می دهد. تحقیقات نشان داده اند که براساس الگوریتم لبه یادگیری عمیق 5G تحت تشخیص تصویر هوش مصنوعی آندوسکوپی گوارشی، 25% بیماران مبتلا به پولیپ روده دارای سلول های CD4 در خون محیطی هستند. تعداد لنفوسیت ها در گروه تمایز کمتر از 200 μL بود، و RNA خونی در 92.3% بیماران کمتر از 100IU/ml بود، در حالی که CTP فام (پپتید A-حلقه ای) کمتر از 100 IU/ml بود. عفونت های فرصت طلب روده و ویروس ها می توانند به صورت مستقیم باعث آنتروپاتی شوند زیرا شدت فلورسنس پروب در اصل بدون تغییر باقی می ماند و نمی تواند یک ساختار مارپیچ سه گانه را شکل دهد. الگوریتم لبه یادگیری عمیق 5G در مقایسه با الگوریتم ساده یولو از نظر دقت تشخیص ویژگی در این مقاله، دقت را تا 68% بهبود می دهد و از نظر سرعت مشابه است. دقت و سرعت به ترتیب در مقایسه با الگوریتم RCNN تا 21% و 85% بهبود می یابند. بنابراین، الگوریتم لبه یادگیری عمیق 5G مبتنی بر تشخیص تصویر هوش مصنوعی دارای مزایای دقت و سرعت در آندوسکوپی گوارشی پزشکی هوشمند است.