源之原味

最高成就: 使用对抗性网络创建定制的牙科帽

 

这篇文章来自 nvidia.com。原始 url 是: https://blogs.nvidia.com/blog/2018/04/18/ai-for-dentistry/

以下内容由机器翻译生成。如果您觉得可读性不好, 请阅读原文或 点击这里.

不久前, 牙科皇冠是在装配线上生产的, 有一排工人从事建造和塑造他们的体力工作。

为了使这个过程更快, 更精确, 最终更便宜, 牙科产品制造商 Glidewell 实验室已经建立了一个深刻的学习环境设计和制造冠, 也称为帽。

在过去的十年中, Glidewell 以机器人的形式为皇冠的创造增加了重要的自动化, 并加大了计算机辅助设计和制造软件的使用。但由于人类需要对要求高精度的产品进行精细化管理, 许多变化仍然存在。

由于每天的生产负荷为1万台, Glidewell 有充分的理由想使这种细化过程更加系统地一致。

为此, 该公司正在培训 GPU 驱动 生成对抗性网络, 擅长从图像中重建详细的3D 模型。Glidewell 将很快准备开始现场生产的 AI 设计的皇冠, 根据谢尔盖 Azernikov, 机器学习团队在 Glidewell 的领导, 谁说上个月在 GPU 技术会议 在硅谷。

Azernikov 说: "在不久的将来, 我们将拥有完全自动化的客户, 所有的东西都由智能系统处理。

Glidewell 在培训网络方面面临着一些特殊的挑战, 因为它实际上并不像图像那样工作。它的数据是3D 网格的形式, 它不太适合运行通过神经网络。

Azernikov 说, 他和他的团队最初尝试将网格转换成图像, 但他们发现每次改变渲染时, 他们不得不改变他们的模型。然后, 他们试图优化他们的模型通过 voxelization, 但这仍然没有提供预期的结果。

他们最终决定将网格转换成深度图, 从而使牙齿的详细轮廓和细微之处得到更好的消遣 (而大多数牙冠都是磨牙)。

这一层次的细节是必要的, 以确保皇冠符合三的考虑: 它的形状, 使其适合在相邻的牙齿最佳匹配;它与对立的牙齿相配合;它的动力学能有效的咬嚼和咀嚼。

将深度图与甘斯相结合, 其中一个网络生成图像, 第二个检查这些图像, 结果冠的解剖细节比原来的牙齿还要多。生成网络的工作是随机化其输出, 并使检测网络尽可能多地制造错误, 从而随着时间的推移越来越精确。

这是一种很有效的方法, 它将更多的需求放在它下面的深层学习过程中。

"训练一个网络是困难的," Azernikov 说。"同时训练两个网络更加困难."

不过, Glidewell 看到了令人印象深刻的结果。该公司在三年前开始试用 AI, 对 cpu 的网络进行初步培训需要六周时间。移动到第一代 NVIDIA 泰坦 GPU 缩短了六天。把赌注提升到一个 NVIDIA 泰坦 X 与 NVIDIA 的 cuDNN 深层学习图书馆 把它剪成两天半。

Azernikov 说, 培训仍然是在当地的泰坦 X, 但这种推断发生在公司定制的亚马逊 Web 服务环境, 运行各种 NVIDIA GPUs。他的团队也正在与 TensorRT (结合 CUDA 运行时) 加速推理过程。

"推断对我们来说是至关重要的," 他说。"培训发生一次, 推断可以继续数月."

Azernikov 打算让 Glidewell 患者在今年的某个时候得到 AI 设计的皇冠, 并期待着它将带来的可靠性, 它将给一个产品类别, 历史上不得不考虑到许多可变性。

"AI 最大的优点是一旦你训练了它," Azernikov 说, "无论发生什么, 都是一致的。

Leave A Reply

Your email address will not be published.