Résoudre des problèmes cliniques en ayant recours à l’intelligence artificielle.

Clarius AI est une plateforme où vous pouvez définir les objectifs de vos travaux de recherche, acquérir et étiqueter des données, les exporter vers des outils d’apprentissage profond tels que TensorFlow, puis valider vos modèles en temps réel.

Flexible

Utilisez des données échographiques rétrospectives ou prospectives. Vos données étiquetées sont exportées au format TFRecord, afin que vous puissiez les utiliser dans le programme d’apprentissage de votre choix.

Facile Ă  utiliser

Conçu avec des outils d’étiquetage intuitifs. Utilisez facilement vos données échographiques Clarius dans vos études.

Collaboratif

Travaillez avec votre équipe pour étiqueter les données et tester vos modèles avec nos outils collaboratifs intégrés.

Sécurisé et privé

Vos données et vos modèles resteront les vôtres. Nous n’avons pas accès à vos données et vos données ne seront pas partagées avec des tiers.

1
define3

1. DĂ©finissez une Ă©tude

Définissez une étude d’IA dans Clarius Cloud, où vous importerez des images.

2
data3

2. Accédez aux données

Obtenez des échographies de patients ou de volontaires, et téléchargez-les sur Clarius Cloud.

3
label3

3. Étiquetez les données

Nous fournissons un environnement simple et intuitif sur Clarius Cloud avec une variété d’outils pour un étiquetage rapide.

4
aitrain3

4. Entrainez l’IA

Compatibilité totale avec TensorFlow et prise en charge de diverses bibliothèques d’apprentissage automatique.

5
testing3

5. Effectuez un test clinique

Testez instantanément le modèle généré avec notre API Listener pour une validation clinique en temps réel.

6
deploy3

6. Déployez le modèle

Après une évaluation clinique réussie, certains modèles pourraient être autorisés pour un usage commercial et intégrés dans l’application Clarius.

Comment cela fonctionne-t-il ?

1. Définissez un problème clinique.

Créez une étude de recherche et personnalisez les paramètres, tels que le type d’étude, ce que vous allez étiqueter, les membres de votre équipe de recherche, etc.

ClariusAI_new-study
data-cap (2)

2. Obtenez des données.

Vous pouvez utiliser des données prospectives ou rétrospectives. Utilisez des données anonymisés provenant de vos examens échographiques existants ou scannez de nouveaux examens et ajoutez-les à votre étude.

3. Étiquetez les données.

Nos outils d’étiquetage vous permettent d’étiqueter rapidement de grandes quantités de données. Des raccourcis clavier permettent de parcourir facilement des séquences d’images.

ClariusAI_labeled_carotid

4. Exportez vos données et entrainez votre modèle.

Exportez vos données étiquetées au format TFRecord afin de les utiliser dans le programme d’apprentissage de votre choix.

TensorFlow, PyTorch, and Keras logos
Clarius AI real-time testing

5. Validez votre modèle en temps réel.

Notre API Listener vous permet de tester en temps réel le modèle d’IA que vous avez construit avec TensorFlow pendant que vous faites une échographie. Faites une échographie et voyez comment votre modèle se comporte sur un appareil secondaire pour valider immédiatement et en temps réel les résultats.

6. Déployez votre modèle sur l’application Clarius.

Quand les modèles d’IA sont validés, Clarius peut les rendre accessibles dans l’application Clarius pour que d’autres puissent les utiliser.

Dr. Reza Zahiri

« L’un des aspects les plus difficiles de l’utilisation de l’IA dans le domaine des soins de santé est la capacité d’acquérir des données de qualité qui répondent à des besoins cliniques spécifiques. Nous accélérons le développement de l’IA en facilitant l’acquisition et l’étiquetage de grandes quantités de données grâce à nos échographes et à notre plateforme de cloud computing ».

— Dr. Reza Zahiri, Directeur de l’Innovation

Applications Actuelles

Clarius AI est actuellement utilisé par diverses universités et instituts de recherche pour résoudre des problèmes cliniques. Voici quelques partenaires avec lesquels nous travaillons actuellement.

Clarius

Détection Automatique des Artères Axillaires

Détection automatique de l’artère axillaire dans les images échographiques

sintef (1)
SINTEF Medical Technology, Trondheim, Norway

Visualisation des Nerfs et des Vaisseaux Sanguins

Chercheurs: Erik Smistad, Kaj Fredrik Johansen, Daniel Høyer Iversen, Ingerid Reinertsen

Application : Mise en évidence des nerfs et des vaisseaux sanguins pour les procédures de blocage des nerfs axillaires guidées par ultrasons

thinksono
ThinkSono, London, UK

DĂ©tection des TVP

Chercheurs: Fouad Al-Noor, Sven
Mischkewitz, Antonios Makropoulos

Application: DĂ©tection des TVP