مقاله مدل های انتشار شرطی ماسکه برای تجزیه و تحلیل تصویر با استفاده از تشخیص رادیوگرافی سوء استفاده از نوزادان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Masked Conditional Diffusion Models for Image Analysis with Application to Radiographic Diagnosis of Infant Abuse
عنوان مقاله به فارسی مقاله مدل های انتشار شرطی ماسکه برای تجزیه و تحلیل تصویر با استفاده از تشخیص رادیوگرافی سوء استفاده از نوزادان
نویسندگان Shaoju Wu, Sila Kurugol, Andy Tsai
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم , دید رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 22 November, 2023; originally announced November 2023. , Comments: Accepted by MICCAI DALI 2023
توضیحات به فارسی ارسال شده 22 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: پذیرفته شده توسط Miccai Dali 2023

چکیده

The classic metaphyseal lesion (CML) is a distinct injury that is highly specific for infant abuse. It commonly occurs in the distal tibia. To aid radiologists detect these subtle fractures, we need to develop a model that can flag abnormal distal tibial radiographs (i.e. those with CMLs). Unfortunately, the development of such a model requires a large and diverse training database, which is often not available. To address this limitation, we propose a novel generative model for data augmentation. Unlike previous models that fail to generate data that span the diverse radiographic appearance of the distal tibial CML, our proposed masked conditional diffusion model (MaC-DM) not only generates realistic-appearing and wide-ranging synthetic images of the distal tibial radiographs with and without CMLs, it also generates their associated segmentation labels. To achieve these tasks, MaC-DM combines the weighted segmentation masks of the tibias and the CML fracture sites as additional conditions for classifier guidance. The augmented images from our model improved the performances of ResNet-34 in classifying normal radiographs and those with CMLs. Further, the augmented images and their associated segmentation masks enhanced the performance of the U-Net in labeling areas of the CMLs on distal tibial radiographs.

چکیده به فارسی (ترجمه ماشینی)

ضایعه کلاسیک متافیز (CML) یک آسیب مشخص است که برای سوء استفاده از نوزادان بسیار خاص است.معمولاً در استخوان درشت نی دیستال رخ می دهد.برای کمک به رادیولوژیست ها این شکستگی های ظریف را تشخیص می دهند ، ما باید مدلی را تهیه کنیم که بتواند رادیوگرافی های غیر طبیعی دیستال تیبیال (یعنی کسانی که دارای CML هستند) پرچم گذاری کنند.متأسفانه ، توسعه چنین مدلی نیاز به یک پایگاه داده آموزشی بزرگ و متنوع دارد که اغلب در دسترس نیست.برای پرداختن به این محدودیت ، ما یک مدل تولیدی جدید برای تقویت داده ها پیشنهاد می کنیم.بر خلاف مدل های قبلی که نتوانند داده هایی را ایجاد کنند که از نظر رادیوگرافی متنوع CML تیبیال دیستال استفاده می شود ، مدل انتشار مشروط ماسک پیشنهادی ما (MAC-DM) نه تنها تصاویر مصنوعی با ظاهر واقع گرایانه و گسترده از رادیوگرافی های تیبیال دیستال را تولید می کند وبدون CML ، برچسب های تقسیم بندی مرتبط با آنها را نیز تولید می کند.برای دستیابی به این وظایف ، MAC-DM ماسک های تقسیم بندی وزنه بردار تیبیا و سایتهای شکستگی CML را به عنوان شرایط اضافی برای راهنمایی طبقه بندی کننده ترکیب می کند.تصاویر افزوده از مدل ما عملکرد RESNET-34 را در طبقه بندی رادیوگرافی های طبیعی و عکسهای CML بهبود بخشید.علاوه بر این ، تصاویر تقویت شده و ماسک های تقسیم بندی مرتبط با آنها باعث افزایش عملکرد NET U در مناطق برچسب زدن CML ها در رادیوگرافی تیبیال دیستال می شوند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.