Nghiên cứu

Sự phát triển của trí tuệ nhân tạo (AI) đang tạo ra bước đột phá đáng kể trong lĩnh vực xử lý ảnh y tế, đặc biệt là trong phân tích dữ liệu chụp cộng hưởng từ chức năng (fMRI). Nghiên cứu này nhằm phát triển các phương pháp phân tích tiên tiến để hỗ trợ chẩn đoán sớm các rối loạn thần kinh.

Các khía cạnh nghiên cứu chính bao gồm:

Phân Tích Dữ Liệu fMRI Nâng Cao:
Ứng dụng học sâu và các kỹ thuật xử lý ảnh tiên tiến để trích xuất các đặc trưng quan trọng từ dữ liệu fMRI. Những đặc trưng này cung cấp thông tin chi tiết về các mô hình hoạt động thần kinh liên quan đến nhiều rối loạn thần kinh khác nhau.

Trích Xuất Đặc Trưng cho Chẩn Đoán Sớm:
Các thuật toán tiên tiến được thiết kế để phát hiện các bất thường nhỏ trong hoạt động não bộ, hỗ trợ phát hiện sớm các bệnh lý như Alzheimer, Parkinson và các rối loạn chức năng não khác.

Hỗ Trợ Quyết Định Lâm Sàng:
Tích hợp các công cụ chẩn đoán dựa trên AI vào quy trình lâm sàng nhằm hỗ trợ bác sĩ đưa ra quyết định điều trị nhanh chóng và chính xác. Nghiên cứu này hướng tới việc nâng cao hiệu quả chăm sóc bệnh nhân thông qua can thiệp sớm và các chiến lược điều trị cá nhân hóa.

Theo dõi mục tiêu liên tục trong môi trường động vẫn là một lĩnh vực nghiên cứu đầy thách thức nhưng quan trọng, đặc biệt là trong giám sát an ninh và hệ thống tự động. Dự án này tập trung vào việc phát triển các phương pháp mạnh mẽ để theo dõi các vật thể chuyển động bằng các kỹ thuật lọc và liên kết dữ liệu tiên tiến.

Các yếu tố nghiên cứu chính bao gồm:

Kỹ thuật lọc: Các thuật toán như Bộ lọc Kalman và Bộ lọc hạt được tinh chỉnh để dự đoán và theo dõi quỹ đạo của vật thể một cách đáng tin cậy, ngay cả khi dữ liệu đầu vào không liên tục hoặc nhiễu.

Liên kết và tương quan dữ liệu: Việc phát triển các phương pháp tương quan dữ liệu mạnh mẽ là điều cần thiết để tích hợp thông tin từ nhiều cảm biến. Điều này đảm bảo quá trình theo dõi liền mạch và chính xác, ngay cả trong các tình huống phức tạp với các mục tiêu chồng chéo.

Triển khai nhiều ứng dụng: Các hệ thống theo dõi đối tượng được triển khai trong nhiều bối cảnh khác nhau bao gồm an ninh đô thị, quản lý chuỗi cung ứng và điều hướng tự động, nâng cao hiệu quả và tính an toàn của các ứng dụng này

Với nhu cầu giao thông đô thị ngày càng tăng, việc tích hợp trí tuệ nhân tạo vào hệ thống giao thông là điều cần thiết để nâng cao tính an toàn và hiệu quả. Nghiên cứu này tập trung vào việc phát triển các thuật toán nhận dạng tiên tiến để tự động phát hiện biển báo giao thông và vạch kẻ đường.

Các thành phần nghiên cứu cốt lõi bao gồm:

Mạng nơ-ron để nhận dạng biển báo giao thông: Các mô hình học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), được sử dụng để phân tích nguồn cấp dữ liệu camera giao thông theo thời gian thực. Các mô hình này đạt được độ chính xác cao trong việc xác định và phân loại các biển báo giao thông khác nhau trong điều kiện thời tiết và ánh sáng khác nhau.

Mô hình hỗn hợp Gauss (GMM) để phát hiện làn đường: Các kỹ thuật GMM được áp dụng để xử lý và diễn giải dữ liệu hình ảnh phức tạp để phát hiện làn đường chính xác. Điều này cho phép hỗ trợ điều hướng đáng tin cậy cho các phương tiện tự hành và hỗ trợ các hệ thống quản lý giao thông trong việc kiểm soát tắc nghẽn theo thời gian thực.

Tích hợp dữ liệu và phân tích dự đoán: Bằng cách hợp nhất dữ liệu cảm biến, nguồn cấp dữ liệu camera và dữ liệu đầu vào định vị địa lý, nghiên cứu này nâng cao khả năng dự đoán lưu lượng giao thông và các kiểu tắc nghẽn. Phương pháp tiếp cận tích hợp này tạo điều kiện thuận lợi cho việc phát triển các chiến lược kiểm soát giao thông động nhằm tối ưu hóa việc sử dụng đường bộ và cải thiện khả năng di chuyển tổng thể.

Trong kỷ nguyên số, thị giác máy tính đóng vai trò then chốt trong việc cho phép máy móc hiểu và phân tích dữ liệu hình ảnh đa chiều từ thế giới thực. Lĩnh vực nghiên cứu này tập trung vào việc phát triển các thuật toán học máy tiên tiến để đạt được khả năng nhận dạng đối tượng có độ chính xác cao trong nhiều điều kiện môi trường khác nhau.

Các hướng nghiên cứu chính bao gồm:

Nhận dạng đối tượng:
Nhóm phát triển các mô hình học sâu tiên tiến được thiết kế để phát hiện đối tượng theo thời gian thực trong cả các tình huống trong nhà và ngoài trời. Các thuật toán được tối ưu hóa nghiêm ngặt về tốc độ và độ chính xác để phù hợp với các điều kiện ánh sáng, che khuất và nhiễu nền khác nhau.

Trích xuất đặc điểm và nhận dạng con người:
Những nỗ lực nghiên cứu mở rộng sang các phương pháp trích xuất đặc điểm tinh vi nhằm nhận dạng chính xác hình dạng, khuôn mặt và các đặc điểm sinh trắc học khác của con người. Những tiến bộ này rất quan trọng đối với các ứng dụng trong giám sát thông minh, phân tích hành vi và quản lý không gian công cộng.