ترجمه فارسی مقاله بهبود تأثیر طبقه بندی تصاویر بالینی بیماریها برای محافظت از حریم خصوصی چند منبع

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 Improving the Classification Effect of Clinical Images of Diseases for Multi-Source Privacy Protection
عنوان مقاله به فارسی بهبود تأثیر طبقه بندی تصاویر بالینی بیماریها برای محافظت از حریم خصوصی چند منبع
نویسندگان Tian Bowen, Xu Zhengyang, Yin Zhihao, Wang Jingying, Yue Yutao
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 23 August, 2024; originally announced August 2024. , Comments: Under review
توضیحات به فارسی ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: تحت بررسی
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Privacy data protection in the medical field poses challenges to data sharing, limiting the ability to integrate data across hospitals for training high-precision auxiliary diagnostic models. Traditional centralized training methods are difficult to apply due to violations of privacy protection principles. Federated learning, as a distributed machine learning framework, helps address this issue, but it requires multiple hospitals to participate in training simultaneously, which is hard to achieve in practice. To address these challenges, we propose a medical privacy data training framework based on data vectors. This framework allows each hospital to fine-tune pre-trained models on private data, calculate data vectors (representing the optimization direction of model parameters in the solution space), and sum them up to generate synthetic weights that integrate model information from multiple hospitals. This approach enhances model performance without exchanging private data or requiring synchronous training. Experimental results demonstrate that this method effectively utilizes dispersed private data resources while protecting patient privacy. The auxiliary diagnostic model trained using this approach significantly outperforms models trained independently by a single hospital, providing a new perspective for resolving the conflict between medical data privacy protection and model training and advancing the development of medical intelligence.

چکیده به فارسی (ترجمه ماشینی)

محافظت از داده های حریم خصوصی در حوزه پزشکی چالش هایی را برای به اشتراک گذاری داده ها ایجاد می کند و توانایی ادغام داده ها را در بیمارستان ها برای آموزش مدلهای تشخیصی کمکی با دقت بالا محدود می کند.به دلیل نقض اصول حفاظت از حریم خصوصی ، روشهای آموزش متمرکز سنتی دشوار است.یادگیری فدرال ، به عنوان یک چارچوب یادگیری ماشین توزیع شده ، به رسیدگی به این مسئله کمک می کند ، اما برای شرکت در آموزش به طور همزمان به بیمارستان های متعدد نیاز دارد که دستیابی به آن در عمل دشوار است.برای پرداختن به این چالش ها ، ما یک چارچوب آموزش داده های حریم خصوصی پزشکی را بر اساس بردارهای داده پیشنهاد می کنیم.این چارچوب به هر بیمارستان اجازه می دهد تا مدل های از پیش آموزش داده شده را بر روی داده های خصوصی تنظیم کند ، بردارهای داده را محاسبه کند (نمایانگر جهت بهینه سازی پارامترهای مدل در فضای راه حل) و آنها را برای تولید وزنهای مصنوعی که اطلاعات مدل را از بیمارستان های متعدد ادغام می کند ، جمع کنید.این رویکرد عملکرد مدل را بدون تبادل داده های خصوصی یا نیاز به آموزش همزمان افزایش می دهد.نتایج تجربی نشان می دهد که این روش به طور موثری از منابع داده خصوصی پراکنده ضمن محافظت از حریم خصوصی بیمار ، از منابع داده خصوصی پراکنده استفاده می کند.مدل تشخیصی کمکی که با استفاده از این رویکرد آموزش داده شده است به طور قابل توجهی بهتر از مدل هایی که به طور مستقل توسط یک بیمارستان واحد آموزش داده می شود ، و چشم انداز جدیدی را برای حل تعارض بین حفاظت از حریم خصوصی داده های پزشکی و آموزش مدل و پیشبرد توسعه اطلاعات پزشکی فراهم می کند.

📚 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.