ترجمه فارسی مقاله ایمن‌سازی تشخیص تصویربرداری پزشکی: تحلیل عمیق حملات مقاوم در برابر هوش مصنوعی

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 Securing the Diagnosis of Medical Imaging: An In-depth Analysis of AI-Resistant Attacks
عنوان مقاله به فارسی ایمن‌سازی تشخیص تصویربرداری پزشکی: تحلیل عمیق حملات مقاوم در برابر هوش مصنوعی
نویسندگان Angona Biswas, MD Abdullah Al Nasim, Kishor Datta Gupta, Roy George, Abdur Rashid
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
دسته بندی موضوعات Cryptography and Security,Artificial Intelligence,Image and Video Processing,رمزنگاری و امنیت , هوش مصنوعی , پردازش تصویر و فیلم ,
توضیحات Submitted 1 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 960,000 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

Machine learning (ML) is a rapidly developing area of medicine that uses significant resources to apply computer science and statistics to medical issues. ML's proponents laud its capacity to handle vast, complicated, and erratic medical data. It's common knowledge that attackers might cause misclassification by deliberately creating inputs for machine learning classifiers. Research on adversarial examples has been extensively conducted in the field of computer vision applications. Healthcare systems are thought to be highly difficult because of the security and life-or-death considerations they include, and performance accuracy is very important. Recent arguments have suggested that adversarial attacks could be made against medical image analysis (MedIA) technologies because of the accompanying technology infrastructure and powerful financial incentives. Since the diagnosis will be the basis for important decisions, it is essential to assess how strong medical DNN tasks are against adversarial attacks. Simple adversarial attacks have been taken into account in several earlier studies. However, DNNs are susceptible to more risky and realistic attacks. The present paper covers recent proposed adversarial attack strategies against DNNs for medical imaging as well as countermeasures. In this study, we review current techniques for adversarial imaging attacks, detections. It also encompasses various facets of these techniques and offers suggestions for the robustness of neural networks to be improved in the future.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین (ML) یک منطقه در حال توسعه پزشکی است که از منابع قابل توجهی برای استفاده از علوم کامپیوتر و آمار در مسائل پزشکی استفاده می کند.طرفداران ML از ظرفیت خود برای مدیریت داده های پزشکی گسترده ، پیچیده و نامنظم استفاده می کنند.این دانش رایج است که مهاجمان ممکن است با ایجاد عمدی ورودی برای طبقه بندی کننده های یادگیری ماشین ، باعث ایجاد نادرست شوند.تحقیقات در مورد نمونه های مخالف در زمینه برنامه های دید رایانه به طور گسترده انجام شده است.تصور می شود سیستم های بهداشت و درمان به دلیل امنیت و ملاحظات زندگی یا مرگ مورد نظر بسیار دشوار هستند و دقت عملکرد بسیار مهم است.استدلال های اخیر حاکی از آن است که به دلیل زیرساخت های فناوری همراه و مشوق های مالی قدرتمند ، می توان حملات مخالف را علیه فناوری های تجزیه و تحلیل تصویر پزشکی (رسانه) انجام داد.از آنجا که این تشخیص پایه و اساس تصمیمات مهم خواهد بود ، ارزیابی چگونگی انجام وظایف پزشکی DNN در برابر حملات مخالف ضروری است.حملات مخالف ساده در چندین مطالعه قبلی مورد توجه قرار گرفته است.با این حال ، DNN ها مستعد حملات خطرناک تر و واقع گرایانه هستند.مقاله حاضر شامل استراتژی های حمله مخالف پیشنهادی اخیر علیه DNN برای تصویربرداری پزشکی و همچنین اقدامات متقابل است.در این مطالعه ، ما تکنیک های فعلی برای حملات تصویربرداری مخالف ، تشخیص را مرور می کنیم.همچنین جنبه های مختلف این تکنیک ها را در بر می گیرد و پیشنهاداتی را برای استحکام شبکه های عصبی در آینده ارائه می دهد.

📚 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.