Artificial Intelligence in Bone Metastasis Analysis: Current Advancements, Opportunities and Challenges
Université Polytechnique Hauts-de-France（上法兰西理工大学）；Université de Lille（里尔大学）；Junia（朱尼亚高等工程师学院）；University of the Basque Country UPV/EHU（巴斯克大学）；National engineering school of Sfax（斯法克斯国立工程学院）
本文综述了人工智能在骨转移影像分析中的最新进展，涵盖分类、检测与分割任务，指出其性能潜力及临床转化面临的验证与整合挑战。
2024-04-30 cs.CV eess.IV
Artificial Intelligence-Based Image Classification for Diagnosis of Skin Cancer: Challenges and Opportunities
Dartmouth College（达特茅斯学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希区柯克医疗中心）；Geisel School of Medicine（盖塞尔医学院）；Metrohealth System（都会医疗系统）；Case Western Reserve University（凯斯西储大学）
最近，人们对开发用于诊断皮肤癌的人工智能（AI）计算机辅助诊断解决方案产生了极大的兴趣。随着皮肤癌发病率的增加，越来越多的人对皮肤癌的认识不足，以及缺乏足够的临床专业知识和服务，迫切需要人工智能系统来帮助这一领域的临床医生。大量的皮肤病变数据集是公开的，研究人员已经开发出基于AI的图像分类解决方案，特别是深度学习算法，以区分不同图像模式（如皮肤镜、临床和组织病理学图像）中的恶性皮肤病变和良性病变。尽管人工智能系统在不同皮肤病变的分类方面比皮肤科医生实现了更高的准确性，但这些人工智能系统在帮助临床医生诊断皮肤癌方面仍处于临床应用的早期阶段。在这篇综述中，我们讨论了用于诊断皮肤癌的基于数字图像的人工智能解决方案的进展，以及改进这些人工智能系统以支持皮肤科医生并提高其诊断皮肤癌的能力的一些挑战和未来机会。
2020-06-20 cs.CV eess.IV q-bio.QM
Pareto-Optimal Bit Allocation for Collaborative Intelligence
Simon Fraser University（西蒙弗雷泽大学）
在最近的研究中，协作智能（CI）已经成为在移动/边缘设备上部署基于人工智能（AI）的服务的一个有前途的框架。在CI中，AI模型（深度神经网络）在边缘和云之间分裂，中间特征从边缘子模型发送到云子模型。本文研究了多流CI系统中特征编码的比特分配问题。我们的模型任务失真率的函数，使用凸面类似的失真率理论。使用这样的模型，我们能够提供封闭形式的位分配解决方案的单任务系统和标量多任务系统。此外，我们提供了完整的Pareto集的2流k-任务系统的分析特征，和边界上的Pareto集的3流2-任务系统。分析结果进行了检查，从文献中的各种DNN模型，以证明广泛的适用性的结果
2021-04-29 cs.AI cs.LG eess.IV
Bit Allocation for Multi-Task Collaborative Intelligence
Simon Fraser University（西蒙弗雷泽大学）
最近的研究表明，协作智能（CI）是在移动设备上部署基于人工智能（AI）的服务的一个很有前途的框架。在CI中，深度神经网络在移动终端和云之间分离。在移动端获得的深度特征被压缩并传输到云端以完成推理。到目前为止，文献中的方法主要集中在将单个深度特征张量从移动设备传输到云端。这种方法不适用于一些最近的高性能网络，多个分支和跳跃连接。在本文中，我们提出了第一个比特分配方法，多流，多任务CI。我们首先建立了一个模型，用于多个任务的联合失真作为分配给不同深度特征张量的比特率的函数。然后，使用所提出的模型，我们解决率失真优化问题下的总速率约束，以获得最佳的速率分配张量之间进行转移。实验结果表明，所提出的方案相比，几种替代的比特分配方法的有效性。
2020-02-14 cs.LG cs.MM eess.IV
Lightweight compression of neural network feature tensors for collaborative intelligence
Simon Fraser University（西蒙弗雷泽大学）
在协作智能应用中，深度神经网络（DNN）的一部分部署在复杂度相对较低的设备上，例如移动电话或边缘设备，而DNN的其余部分在更多计算资源可用的地方进行处理，例如在云中。本文提出了一种新的轻量级压缩技术，专门用于对分裂DNN层的激活进行编码，同时具有适用于边缘设备的低复杂度，并且不需要任何重新训练。我们还提出了一种改进的熵约束量化器的设计算法优化裁剪激活。当应用于流行的对象检测和分类DNN时，我们能够将32位浮点激活压缩到0.6到0.8位，同时将精度损失保持在1%以下。与HEVC相比，我们发现轻量级编解码器始终提供更好的推理准确性，高达1.3%。这种轻量级压缩技术的性能和简单性使其成为在边缘/云应用的分裂神经网络中编码层激活的有吸引力的选择。
2021-05-12 cs.LG eess.IV
The Role of Radiographic Knee Alignment in Total Knee Replacement Outcomes and Opportunities for Artificial Intelligence-Driven Assessment
The University of Manchester（曼彻斯特大学）；University of Oulu（奥卢大学）
针对全膝关节置换术（TKR）术后约10%患者不满意、传统力线测量依赖人工且需不常用的长腿X线片的问题，研究指出膝关节X线力线是预测TKR结局的重要生物标志物，提出基于标准膝关节前后位X线片的自动化力线评估方法，有望提升OA诊疗效率。
2025-11-19 cs.CV eess.IV
Mobile-Cloud Inference for Collaborative Intelligence
SIMON FRASER UNIVERSITY（西蒙菲莎大学）
针对纯云端推理的高延迟、高能耗及隐私泄露问题，提出共享移动-云端推理方案，在移动端执行部分推理生成紧凑特征张量并压缩后传至云端，有效降低了延迟、能耗与带宽，同时保护隐私。
2023-06-24 cs.CV cs.LG eess.IV
Lightweight Compression of Intermediate Neural Network Features for Collaborative Intelligence
Simon Fraser University（西蒙弗雷泽大学）
在协作智能应用中，深度神经网络（DNN）的一部分部署在移动电话或边缘设备等轻量级设备上，而DNN的其余部分则在更多计算资源可用的地方（如云中）进行处理。本文提出了一种新的轻量级压缩技术，专门设计用于对分裂DNN的中间层输出的特征进行压缩，而不需要对网络权重进行任何重新训练。开发了用于估计该中间层的ReLU和泄漏ReLU激活的限幅和量化误差的数学模型，并用于计算粗量化的最佳限幅范围。我们还提出了一种改进的熵约束设计算法的量化裁剪激活。当应用于流行的对象检测和分类DNN时，我们能够将32位浮点中间激活压缩到0.6到0.8位，同时将准确性损失保持在1%以下。与HEVC相比，我们发现轻量级编解码器始终提供更好的推理准确性，高达1.3%。这种轻量级压缩技术的性能和简单性使其成为对边缘/云应用的分裂神经网络的中间层进行编码的有吸引力的选择。
2021-05-15 cs.LG eess.IV
Shared Mobile-Cloud Inference for Collaborative Intelligence
School of Engineering Science（工程科学学院）；Simon Fraser University（西蒙菲莎大学）；Burnaby, BC, V5A 1S6, Canada（加拿大不列颠哥伦比亚省本拿比市）
随着移动设备的AI应用变得越来越普遍，越来越需要更快的执行速度和更低的神经模型推理能耗。从历史上看，与只能在云上运行的大型最先进的研究模型相比，在移动设备上运行的模型更小，更简单。然而，仅云推理具有缺点，例如增加的网络带宽消耗和更高的延迟。此外，仅云推理要求将输入数据（图像、音频）完全传输到云端，这引发了对潜在隐私泄露的担忧。我们展示了一种替代方法：共享移动云推理。在移动设备上执行部分推理，以便降低输入数据的维数，并得到紧凑的特征张量，该特征张量是输入信号的潜在空间表示。然后将特征张量传输到服务器以进行进一步的推断。该策略可以改善推理延迟、能量消耗和网络带宽使用，以及提供隐私保护，因为原始信号从未离开移动设备。进一步的性能增益可以通过在传输之前压缩特征张量来实现。
2020-02-01 cs.AI eess.IV
Collaborative Training of Medical Artificial Intelligence Models with non-uniform Labels
University Hospital RWTH Aachen（亚琛工业大学附属医院）；Technical University Dresden（德累斯顿工业大学）；University of Leeds（利兹大学）；University Hospital Heidelberg（海德堡大学附属医院）
本文提出灵活联邦学习（FFL），解决多机构医学影像标签异构时的协作训练难题，并在695,000张胸部X光片上验证其相比传统联邦学习能显著提升模型性能。
2023-04-13 cs.AI cs.LG eess.IV
Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities
China University of Geosciences（中国地质大学）；Wuhan University（武汉大学）；The University of Sydney（悉尼大学）；Nanyang Technolog（南洋理工大学）
本文综述了人工智能技术在农业食品系统中的变革性应用，涵盖数据获取方法及在农、牧、渔业等领域的进展，并指出了当前面临的挑战与未来研究机遇。
2024-09-26 cs.AI cs.CY eess.IV
