Computer Vision and Pattern Recognition,Artificial Intelligence,Human-Computer Interaction,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات
Submitted 5 September, 2024; originally announced September 2024. , Comments: Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:018 , Journal ref: Machine.Learning.for.Biomedical.Imaging. 2 (2024)
توضیحات به فارسی
ارسال شده در 5 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: برای انتشار در مجله یادگیری ماشین برای تصویربرداری زیست پزشکی (MELBA) https://melba-journal.org/2024:018 ، مجله Ref: Machine.Learning.For.Biomedical.Imaging پذیرفته شده است.2 (2024)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Increased usage of automated tools like deep learning in medical image segmentation has alleviated the bottleneck of manual contouring. This has shifted manual labour to quality assessment (QA) of automated contours which involves detecting errors and correcting them. A potential solution to semi-automated QA is to use deep Bayesian uncertainty to recommend potentially erroneous regions, thus reducing time spent on error detection. Previous work has investigated the correspondence between uncertainty and error, however, no work has been done on improving the "utility" of Bayesian uncertainty maps such that it is only present in inaccurate regions and not in the accurate ones. Our work trains the FlipOut model with the Accuracy-vs-Uncertainty (AvU) loss which promotes uncertainty to be present only in inaccurate regions. We apply this method on datasets of two radiotherapy body sites, c.f. head-and-neck CT and prostate MR scans. Uncertainty heatmaps (i.e. predictive entropy) are evaluated against voxel inaccuracies using Receiver Operating Characteristic (ROC) and Precision-Recall (PR) curves. Numerical results show that when compared to the Bayesian baseline the proposed method successfully suppresses uncertainty for accurate voxels, with similar presence of uncertainty for inaccurate voxels. Code to reproduce experiments is available at https://github.com/prerakmody/bayesuncertainty-error-correspondence
چکیده به فارسی (ترجمه ماشینی)
افزایش استفاده از ابزارهای خودکار مانند یادگیری عمیق در تقسیم تصویر پزشکی ، تنگنای کانتورینگ دستی را کاهش داده است.این کار دستی را به ارزیابی کیفیت (QA) کانتورهای خودکار منتقل کرده است که شامل تشخیص خطاها و اصلاح آنها است.یک راه حل بالقوه برای QA نیمه اتوماتیک استفاده از عدم اطمینان عمیق بیزی برای توصیه مناطق بالقوه نادرست است ، بنابراین باعث کاهش زمان صرف شده برای تشخیص خطا می شود.کار قبلی مکاتبات بین عدم اطمینان و خطا را بررسی کرده است ، با این حال ، هیچ کاری در مورد بهبود "ابزار" نقشه های عدم اطمینان بیزی انجام نشده است به گونه ای که فقط در مناطق نادرست وجود دارد و نه در موارد دقیق.کار ما مدل Flipout را با از دست دادن دقت-VS- اطمینان (AVU) آموزش می دهد که باعث عدم اطمینان می شود که فقط در مناطق نادرست حضور داشته باشد.ما این روش را در مجموعه داده های دو سایت بدن رادیوتراپی ، C.F. اعمال می کنیم.CT و NECK CT و اسکن MR پروستات.نقشه های گرمای عدم اطمینان (به عنوان مثال آنتروپی پیش بینی) در برابر عدم دقت وکسل با استفاده از منحنی های عامل گیرنده (ROC) و پیش بینی دقیق (PR) ارزیابی می شوند.نتایج عددی نشان می دهد که وقتی با پایه بیزی مقایسه می شود ، روش پیشنهادی با موفقیت عدم اطمینان را برای وکسل های دقیق سرکوب می کند ، با حضور مشابه عدم اطمینان برای وکسل های نادرست.کد برای تولید مثل آزمایشات در https://github.com/prerakmody/bayesunctionty-eror-corresponsence در دسترس است
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
