ترجمه فارسی مقاله توضیحات خلاف واقع برای طبقه‌بندی و رگرسیون تصاویر پزشکی با استفاده از خودرمزگذار انتشار

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 Counterfactual Explanations for Medical Image Classification and Regression using Diffusion Autoencoder
عنوان مقاله به فارسی توضیحات خلاف واقع برای طبقه‌بندی و رگرسیون تصاویر پزشکی با استفاده از خودرمزگذار انتشار
نویسندگان Matan Atad, David Schinz, Hendrik Moeller, Robert Graf, Benedikt Wiestler, Daniel Rueckert, Nassir Navab, Jan S. Kirschke, Matthias Keicher
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 2 August, 2024; originally announced August 2024. , Comments: In submission. arXiv admin note: text overlap with arXiv:2303.12031
توضیحات به فارسی ارسال شده در 2 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: در ارسال.Arxiv Admin توجه: همپوشانی متن با ARXIV: 2303.12031

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: 920,000 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

Counterfactual explanations (CEs) aim to enhance the interpretability of machine learning models by illustrating how alterations in input features would affect the resulting predictions. Common CE approaches require an additional model and are typically constrained to binary counterfactuals. In contrast, we propose a novel method that operates directly on the latent space of a generative model, specifically a Diffusion Autoencoder (DAE). This approach offers inherent interpretability by enabling the generation of CEs and the continuous visualization of the model's internal representation across decision boundaries. Our method leverages the DAE's ability to encode images into a semantically rich latent space in an unsupervised manner, eliminating the need for labeled data or separate feature extraction models. We show that these latent representations are helpful for medical condition classification and the ordinal regression of severity pathologies, such as vertebral compression fractures (VCF) and diabetic retinopathy (DR). Beyond binary CEs, our method supports the visualization of ordinal CEs using a linear model, providing deeper insights into the model's decision-making process and enhancing interpretability. Experiments across various medical imaging datasets demonstrate the method's advantages in interpretability and versatility. The linear manifold of the DAE's latent space allows for meaningful interpolation and manipulation, making it a powerful tool for exploring medical image properties. Our code is available at https://github.com/matanat/dae_counterfactual.

چکیده به فارسی (ترجمه ماشینی)

توضیحات ضد خلاف (CES) با هدف تقویت تفسیر مدل های یادگیری ماشین با نشان دادن چگونگی تغییرات در ویژگی های ورودی بر پیش بینی های حاصل می تواند تأثیر بگذارد.رویکردهای متداول CE به یک مدل اضافی نیاز دارند و به طور معمول در برابر ضد باینری محدود می شوند.در مقابل ، ما یک روش جدید را پیشنهاد می کنیم که مستقیماً در فضای نهفته یک مدل تولیدی ، به ویژه یک Autoencoder انتشار (DAE) عمل می کند.این رویکرد با فعال کردن تولید CES و تجسم مداوم بازنمایی داخلی مدل در مرزهای تصمیم گیری ، تفسیر ذاتی را ارائه می دهد.روش ما توانایی DAE را برای رمزگذاری تصاویر در یک فضای نهفته معنایی غنی به روشی بدون نظارت ، از بین می برد و نیاز به داده های برچسب زده شده یا مدل های استخراج ویژگی جداگانه را از بین می برد.ما نشان می دهیم که این بازنمایی های نهفته برای طبقه بندی وضعیت پزشکی و رگرسیون منظم آسیب شناسی های شدت ، مانند شکستگی فشرده سازی مهره (VCF) و رتینوپاتی دیابتی (DR) مفید است.فراتر از CES باینری ، روش ما از تجسم CE های معمولی با استفاده از یک مدل خطی پشتیبانی می کند ، و بینش های عمیق تری در مورد روند تصمیم گیری مدل و تقویت تفسیر فراهم می کند.آزمایشات در مجموعه داده های مختلف تصویربرداری پزشکی ، مزایای روش در تفسیر و تطبیق پذیری را نشان می دهد.منیفولد خطی از فضای نهفته DAE امکان درون یابی و دستکاری معنی دار را فراهم می کند ، و آن را به ابزاری قدرتمند برای کاوش در مورد خواص تصویر پزشکی تبدیل می کند.کد ما در https://github.com/matanat/dae_counterfactual 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.

🎯 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.