Forwarded from 42 секунды
RB: Первый в мире ИИ для МРТ младенцев – разработка Яндекса и ШАДа ускоряет диагностику ДЦП
– ИИ создали Yandex B2B Tech, студенты ШАДа и СПбГПМУ
– Нейросеть анализирует МРТ мозга новорожденных
– Она помогает врачам заметить первые признаки ДЦП
– Также ИИ замечает другие нарушения нервной системы
– Новая нейросеть способна анализировать снимки МРТ
– С точностью 90% ИИ выделяет серое и белое вещество
– ИИ показывает соотношение и состояние структур мозга
– Врач быстрее поставит диагноз и выберет терапию
– Обычно на расшифровку МРТ уходит неск. часов-дней
– Для работы нужны опытные врачи (МРТ – это 22+ среза)
– Новая нейросеть делает расшифровку за пару минут
– ДЦП встречается в 2-3 случаях на 1 тыс. новорожденных
– Yandex B2B Tech планирует выложить решение в опенсорс
@ftsec
– ИИ создали Yandex B2B Tech, студенты ШАДа и СПбГПМУ
– Нейросеть анализирует МРТ мозга новорожденных
– Она помогает врачам заметить первые признаки ДЦП
– Также ИИ замечает другие нарушения нервной системы
– Новая нейросеть способна анализировать снимки МРТ
– С точностью 90% ИИ выделяет серое и белое вещество
– ИИ показывает соотношение и состояние структур мозга
– Врач быстрее поставит диагноз и выберет терапию
– Обычно на расшифровку МРТ уходит неск. часов-дней
– Для работы нужны опытные врачи (МРТ – это 22+ среза)
– Новая нейросеть делает расшифровку за пару минут
– ДЦП встречается в 2-3 случаях на 1 тыс. новорожденных
– Yandex B2B Tech планирует выложить решение в опенсорс
@ftsec
❤6👍1
#unrealneural
MV-RAG: Retrieval Augmented Multiview Diffusion
TextTo3D генерация продвинулась вперед. MV-RAG – новый конвейер преобразования текста в 3D, который сначала извлекает релевантные двумерные изображения из большой базы данных 2D-данных, а затем обуславливает на этих изображениях многоракурсную модель диффузии для синтеза согласованных и точных многоракурсных результатов.
MV-RAG совершенствует генерацию многоракурсных изображений, объединяя внутренние знания предобученной многоракурсной модели с внешними визуальными сигналами, полученными из большой базы данных изображений. На этапе вывода полученные двумерные изображения кодируются в токены с помощью кодировщика изображений, а затем обучаемого ресемплера. В многоракурсной модели диффузии трёхмерные слои собственного внимания обеспечивают согласованность между сгенерированными представлениями. Каждый слой перекрёстного внимания затем работает в двух параллельных ветвях: одна обусловлена текстовыми токенами, а другая — полученными токенами изображений. Их выходные данные объединяются с использованием коэффициента слияния, прогнозируемого модулем Prior-Guided Attention.
https://yosefdayani.github.io/MV-RAG/
MV-RAG: Retrieval Augmented Multiview Diffusion
TextTo3D генерация продвинулась вперед. MV-RAG – новый конвейер преобразования текста в 3D, который сначала извлекает релевантные двумерные изображения из большой базы данных 2D-данных, а затем обуславливает на этих изображениях многоракурсную модель диффузии для синтеза согласованных и точных многоракурсных результатов.
MV-RAG совершенствует генерацию многоракурсных изображений, объединяя внутренние знания предобученной многоракурсной модели с внешними визуальными сигналами, полученными из большой базы данных изображений. На этапе вывода полученные двумерные изображения кодируются в токены с помощью кодировщика изображений, а затем обучаемого ресемплера. В многоракурсной модели диффузии трёхмерные слои собственного внимания обеспечивают согласованность между сгенерированными представлениями. Каждый слой перекрёстного внимания затем работает в двух параллельных ветвях: одна обусловлена текстовыми токенами, а другая — полученными токенами изображений. Их выходные данные объединяются с использованием коэффициента слияния, прогнозируемого модулем Prior-Guided Attention.
https://yosefdayani.github.io/MV-RAG/
❤3👍1