最近，将音频转换为文本的系统自动语音识别（ASR）在机器学习社区中引起了很多关注。因此，Huggingface发布了许多公开模型。但是，这些ASR模型中的大多数都有英文提供。泰语中只有少数模型可用。此外，大多数泰国ASR型号都是封闭的，现有开源模型的性能缺乏稳健性。为了解决这个问题，我们使用泰语CommonVoice Corpus V8培训了一种新的ASR模型，并在预训练的XLSR-WAV2VEC模型上训练ASR模型，并训练Trigram语言模型以提高我们的ASR模型的性能。我们希望我们的模型对泰国的个人和ASR社区有益。
translated by 谷歌翻译
$ \ mathbf {perive} $：使用人工智能（AI）到：（1）从相对较大的人群中利用视神经头（ONH）的生物力学知识； （2）评估ONH的单个光学相干断层扫描（OCT）扫描的稳健性； （3）确定哪些关键的三维（3D）结构特征使给定的ONH稳健。 $ \ Mathbf {Design} $：回顾性横断面研究。 $ \ mathbf {Methods} $：316个受试者通过Ophthalmo-Dynamometry在急性眼内和之后与OCT成像。然后将IOP诱导的椎板胶状变形映射为3D，并用于对ONH进行分类。 LC变形高于4％的人被认为是脆弱的，而变形较低的人则较低4％。从这些数据中学习，我们比较了三种AI算法，以严格地从基线（未呈现的）OCT卷中预测鲁棒性：（1）随机森林分类器； （2）自动编码器； （3）动态图CNN（DGCNN）。后一种算法还使我们能够确定哪些关键的3D结构特征使给定的智能稳定。 $ \ mathbf {结果} $：所有3种方法都能够单独预测3D结构信息的稳健性，而无需执行生物力学测试。 DGCNN（接收器操作曲线下的区域[AUC]：0.76 $ \ pm $ 0.08）的表现优于自动编码器（AUC：0.70 $ \ pm $ 0.07）和随机森林分类器（AUC：0.69 $ \ pm $ 0.05）。有趣的是，为了评估稳健性，DGCNN主要使用了巩膜和LC插入部位的信息。 $ \ mathbf {结论} $：我们提出了一种AI驱动的方法，可以仅从ONH的单个OCT扫描中评估给定ONH的稳健性，而无需进行生物力学测试。纵向研究应确定ONH鲁棒性是否可以帮助我们确定快速的视野损失进展者。
translated by 谷歌翻译
目的：评估中央视网膜血管躯干及其分支（CRVT＆B）的三维（3D）结构构型是否可用作青光眼的诊断标志物。方法：我们训练了深度学习网络，从光神经头（ONH）的光学相干断层扫描（OCT）体积的B-Scans自动分割CRVT＆B。随后，使用从OCT体积中提取的CRVT＆B的结构构型，两种不同的方法用于青光眼诊断。在第一种方法中，我们旨在仅使用CNN的3D CNN和CRVT＆B的3D结构提供诊断。对于第二种方法，我们将CRVT＆B的3D结构投射到三个平面上以获得2D图像，然后使用2D CNN进行诊断。使用骰子系数评估分割精度，而使用接收器操作特性曲线（AUC）下的区域评估诊断准确度。 CRVT＆B的诊断性能也与视网膜神经纤维层（RNFL）厚度进行了比较。结果：我们的分割网络能够从OCT扫描有效地分段视网膜血管。在测试集上，我们实现了0.81 \ PM0.07的骰子系数。 3D和2D诊断网络能够将青光眼与非青光眼受试者区分别分别区分82.7％和83.3％的精度。 CRVT＆B的相应AUC为0.89和0.90，高于用RNFL厚度获得的0.90℃。结论：我们的工作表明，CRVT＆B的诊断功能优于金标 - 标准的青光眼参数，即RNFL厚度。我们的作品还建议主要视网膜血管形成骨架 - 其配置可以代表主要的ONH结构变化，通常观察到青光眼的开发和进展。
translated by 谷歌翻译