اکسپرس 24
ترجمه فارسی مقاله بهبود استحکام برای قطعه‌بندی مبتنی بر یادگیری عمیق مجموعه داده‌های MRI پرفیوژن میوکارد چند مرکزی با استفاده از تحلیل تطبیقی ​​فضا-زمان هدایت‌شده با عدم قطعیت داده‌ها

ترجمه فارسی مقاله بهبود استحکام برای قطعه‌بندی مبتنی بر یادگیری عمیق مجموعه داده‌های MRI پرفیوژن میوکارد چند مرکزی با استفاده از تحلیل تطبیقی ​​فضا-زمان هدایت‌شده با عدم قطعیت داده‌ها

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 Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis
عنوان مقاله به فارسی بهبود استحکام برای قطعه‌بندی مبتنی بر یادگیری عمیق مجموعه داده‌های MRI پرفیوژن میوکارد چند مرکزی با استفاده از تحلیل تطبیقی ​​فضا-زمان هدایت‌شده با عدم قطعیت داده‌ها
نویسندگان Dilek M. Yalcinkaya, Khalid Youssef, Bobak Heydari, Janet Wei, Noel Bairey Merz, Robert Judd, Rohan Dharmakumar, Orlando P. Simonetti, Jonathan W. Weinsaft, Subha V. Raman, Behzad Sharif
فرمت مقاله انگلیسی PDF
تعداد صفحات 40
دسته بندی موضوعات Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning,Medical Physics,پردازش تصویر و فیلم , دید رایانه و تشخیص الگوی , یادگیری ماشین , فیزیک پزشکی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: Accepted for publication in JCMR, 2024
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: برای انتشار در JCMR ، 2024 پذیرفته شده است

قیمت: 19,000 تومان

سفارش

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

قیمت: 1,600,000 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

Background. Fully automatic analysis of myocardial perfusion MRI datasets enables rapid and objective reporting of stress/rest studies in patients with suspected ischemic heart disease. Developing deep learning techniques that can analyze multi-center datasets despite limited training data and variations in software and hardware is an ongoing challenge. Methods. Datasets from 3 medical centers acquired at 3T (n = 150 subjects) were included: an internal dataset (inD; n = 95) and two external datasets (exDs; n = 55) used for evaluating the robustness of the trained deep neural network (DNN) models against differences in pulse sequence (exD-1) and scanner vendor (exD-2). A subset of inD (n = 85) was used for training/validation of a pool of DNNs for segmentation, all using the same spatiotemporal U-Net architecture and hyperparameters but with different parameter initializations. We employed a space-time sliding-patch analysis approach that automatically yields a pixel-wise "uncertainty map" as a byproduct of the segmentation process. In our approach, a given test case is segmented by all members of the DNN pool and the resulting uncertainty maps are leveraged to automatically select the "best" one among the pool of solutions. Results. The proposed DAUGS analysis approach performed similarly to the established approach on the internal dataset (p = n.s.) whereas it significantly outperformed on the external datasets (p < 0.005 for exD-1 and exD-2). Moreover, the number of image series with "failed" segmentation was significantly lower for the proposed vs. the established approach (4.3% vs. 17.1%, p < 0.0005). Conclusions. The proposed DAUGS analysis approach has the potential to improve the robustness of deep learning methods for segmentation of multi-center stress perfusion datasets with variations in the choice of pulse sequence, site location or scanner vendor.

چکیده به فارسی (ترجمه ماشینی)

زمینهتجزیه و تحلیل کاملاً خودکار از مجموعه داده های MRI پرفیوژن میوکارد ، گزارش سریع و عینی از مطالعات استرس/استراحت را در بیماران مبتلا به بیماری ایسکمیک قلبی مشکوک می کند.توسعه تکنیک های یادگیری عمیق که می توانند با وجود داده های آموزش محدود و تغییرات در نرم افزار و سخت افزار ، مجموعه داده های چند مرکز را تجزیه و تحلیل کنند ، یک چالش مداوم است.روشهامجموعه داده های 3 مرکز پزشکی به دست آمده در 3T (150 نفر = n) گنجانده شده است: یک مجموعه داده داخلی (Ind ؛ n = 95) و دو مجموعه داده خارجی (exds ؛ n = 55) برای ارزیابی استحکام شبکه عصبی عمیق آموزش دیده استفاده می شود (DNN) مدل ها در برابر تفاوت در توالی پالس (EXD-1) و فروشنده اسکنر (EXD-2).زیر مجموعه ای از IND (85 نفر) برای آموزش/اعتبارسنجی استخر DNN برای تقسیم بندی استفاده شد ، همه با استفاده از معماری و Hyperparameters یکسان مکانی و با استفاده از پارامترهای مختلف.ما از یک رویکرد تجزیه و تحلیل کشویی فضا استفاده کردیم که به طور خودکار یک "نقشه عدم اطمینان" پیکسل را به عنوان یک محصول جانبی فرآیند تقسیم بندی به دست می آورد.در رویکرد ما ، یک مورد آزمون معین توسط همه اعضای استخر DNN تقسیم می شود و نقشه های عدم اطمینان حاصل از آن برای انتخاب خودکار "بهترین" یکی در میان استخر راه حل ها استفاده می شود.نتایجرویکرد تجزیه و تحلیل DAUGS پیشنهادی به طور مشابه با رویکرد تعیین شده در مجموعه داده داخلی (p = n.s.) انجام می شود ، در حالی که به طور قابل توجهی از مجموعه داده های خارجی بهتر عمل می کند (P <0.005 برای EXD-1 و EXD-2).علاوه بر این ، تعداد سری تصویر با تقسیم بندی "شکست خورده" برای روش پیشنهادی در مقابل روش تعیین شده به طور قابل توجهی پایین بود (4.3 ٪ در مقابل 17.1 ٪ ، P <0.0005).نتیجه گیریرویکرد تجزیه و تحلیل DAUGS پیشنهادی پتانسیل را برای بهبود استحکام روشهای یادگیری عمیق برای تقسیم مجموعه داده های پرفیوژن استرس چند مرکز با تغییرات در انتخاب دنباله پالس ، مکان سایت یا فروشنده اسکنر دارد.

📚 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.