اکسپرس 24
ترجمه فارسی مقاله ادغام اطلاعات لبه در داده‌های زمینی برای قطعه‌بندی دیسک و کاپ بینایی از تصاویر فوندوس

ترجمه فارسی مقاله ادغام اطلاعات لبه در داده‌های زمینی برای قطعه‌بندی دیسک و کاپ بینایی از تصاویر فوندوس

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Integrating Edge Information into Ground Truth for the Segmentation of the Optic Disc and Cup from Fundus Images
عنوان مقاله به فارسی ادغام اطلاعات لبه در داده‌های زمینی برای قطعه‌بندی دیسک و کاپ بینایی از تصاویر فوندوس
نویسندگان Yoga Sri Varshan V, Hitesh Gupta Kattamuri, Subin Sahayam, Umarani Jayaraman
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
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 9 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 360,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

چکیده

Optic disc and cup segmentation helps in the diagnosis of glaucoma, myocardial infarction, and diabetic retinopathy. Most deep learning methods developed to perform segmentation tasks are built on top of a U-Net-based model architecture. Nevertheless, U-Net and its variants have a tendency to over-segment/ under-segment the required regions of interest. Since the most important outcome is the value of cup-to-disc ratio and not the segmented regions themselves, we are more concerned about the boundaries rather than the regions under the boundaries. This makes learning edges important as compared to learning the regions. In the proposed work, the authors aim to extract both edges of the optic disc and cup from the ground truth using a Laplacian filter. Next, edges are reconstructed to obtain an edge ground truth in addition to the optic disc-cup ground truth. Utilizing both ground truths, the authors study several U-Net and its variant architectures with and without optic disc and cup edges as target, along with the optic disc-cup ground truth for segmentation. The authors have used the REFUGE benchmark dataset and the Drishti-GS dataset to perform the study, and the results are tabulated for the dice and the Hausdorff distance metrics. In the case of the REFUGE dataset, the optic disc mean dice score has improved from 0.7425 to 0.8859 while the mean Hausdorff distance has reduced from 6.5810 to 3.0540 for the baseline U-Net model. Similarly, the optic cup mean dice score has improved from 0.6970 to 0.8639 while the mean Hausdorff distance has reduced from 5.2340 to 2.6323 for the same model. Similar improvement has been observed for the Drishti-GS dataset as well. Compared to the baseline U-Net and its variants (i.e) the Attention U-Net and the U-Net++, the models that learn integrated edges along with the optic disc and cup regions performed well in both validation and testing datasets.

چکیده به فارسی (ترجمه ماشینی)

تقسیم دیسک نوری و تقسیم جام به تشخیص گلوکوم ، انفارکتوس میوکارد و رتینوپاتی دیابتی کمک می کند.بیشتر روشهای یادگیری عمیق که برای انجام وظایف تقسیم بندی توسعه یافته اند ، در بالای معماری مدل مبتنی بر U-Net ساخته شده اند.با این وجود ، U-NET و انواع آن تمایل دارند که مناطق مورد نیاز مورد نیاز را بیش از حد بخش/ زیر بخش قرار دهند.از آنجا که مهمترین نتیجه ارزش نسبت فنجان به دیسک است و نه خود مناطق تقسیم شده ، ما بیشتر نگران مرزها هستیم تا مناطق تحت مرزها.این باعث می شود لبه های یادگیری نسبت به یادگیری مناطق مهم باشند.در کار پیشنهادی ، نویسندگان قصد دارند با استفاده از فیلتر لاپلاسی ، هر دو لبه دیسک نوری و فنجان را از حقیقت زمین استخراج کنند.در مرحله بعد ، لبه ها برای به دست آوردن یک حقیقت زمین حاشیه ای علاوه بر حقیقت زمین دیسک دیسک نوری بازسازی می شوند.نویسندگان با استفاده از هر دو حقایق زمینی ، چندین NET U-NET و معماری های مختلف آن را با و بدون دیسک نوری و لبه های فنجان به عنوان هدف ، به همراه حقیقت زمین دیسک نوری برای تقسیم بندی مطالعه می کنند.نویسندگان برای انجام مطالعه از مجموعه داده های معیار پناهگاه و مجموعه داده Drishti-GS استفاده کرده اند و نتایج برای معیارهای فاصله تاس و هاوسدورف جدول بندی شده است.در مورد مجموعه داده پناهندگی ، میانگین نمره دیسک دیسک نوری از 0.7425 به 0.8859 بهبود یافته است در حالی که میانگین فاصله Hausdorff از 6.5810 به 3.0540 برای مدل U-NET پایه کاهش یافته است.به طور مشابه ، میانگین میانگین تاس جام نوری از 0.6970 به 0.8639 بهبود یافته است در حالی که میانگین فاصله Hausdorff از 5.2340 به 2.6323 برای همان مدل کاهش یافته است.بهبود مشابهی برای مجموعه داده Drishti-GS نیز مشاهده شده است.در مقایسه با پایه U-NET و انواع آن (یعنی) توجه U-NET و U-NET ++ ، مدلهایی که لبه های یکپارچه را به همراه مناطق دیسک نوری و CUP می آموزند ، در هر دو مجموعه داده های اعتبار سنجی و آزمایش عملکرد خوبی دارند.

📚 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.