ترجمه فارسی مقاله مدل بنیادی سطح پچ EXAONEPath 1.0 برای آسیب‌شناسی

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 EXAONEPath 1.0 Patch-level Foundation Model for Pathology
عنوان مقاله به فارسی مدل بنیادی سطح پچ EXAONEPath 1.0 برای آسیب‌شناسی
نویسندگان Juseung Yun, Yi Hu, Jinhyung Kim, Jongseong Jang, Soonyoung Lee
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 22 August, 2024; v1 submitted 1 August, 2024; originally announced August 2024. , Comments: License updated
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛V1 ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: مجوز به روز شده است

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: 680,000 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

Recent advancements in digital pathology have led to the development of numerous foundational models that utilize self-supervised learning on patches extracted from gigapixel whole slide images (WSIs). While this approach leverages vast amounts of unlabeled data, we have discovered a significant issue: features extracted from these self-supervised models tend to cluster by individual WSIs, a phenomenon we term WSI-specific feature collapse. This problem can potentially limit the model's generalization ability and performance on various downstream tasks. To address this issue, we introduce EXAONEPath, a novel foundational model trained on patches that have undergone stain normalization. Stain normalization helps reduce color variability arising from different laboratories and scanners, enabling the model to learn more consistent features. EXAONEPath is trained using 285,153,903 patches extracted from a total of 34,795 WSIs. Our experiments demonstrate that EXAONEPath significantly mitigates the feature collapse problem, indicating that the model has learned more generalized features rather than overfitting to individual WSI characteristics. We compared EXAONEPath with state-of-the-art models across six downstream task datasets, and our results show that EXAONEPath achieves superior performance relative to the number of WSIs used and the model's parameter count. This suggests that the application of stain normalization has substantially improved the model's efficiency and generalization capabilities.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در آسیب شناسی دیجیتال منجر به توسعه مدل های بنیادی بیشماری شده است که از یادگیری خودکارد شده در تکه های استخراج شده از تصاویر کل اسلاید Gigapixel (WSIS) استفاده می کنند.در حالی که این رویکرد مقادیر زیادی از داده های بدون برچسب را به دست می آورد ، ما مسئله مهمی را کشف کرده ایم: ویژگی های استخراج شده از این مدل های خودآوردها تمایل دارند که توسط WSIS فردی خوشه ای را انجام دهند ، پدیده ای که ما از بین می رود ویژگی های خاص WSI.این مشکل به طور بالقوه می تواند توانایی و عملکرد عمومی مدل را در کارهای مختلف پایین دست محدود کند.برای پرداختن به این مسئله ، ما ExaOtePath را معرفی می کنیم ، یک مدل بنیادی جدید که روی تکه هایی آموزش دیده است که تحت عادی سازی لکه قرار گرفته اند.نرمال سازی لکه به کاهش تنوع رنگ ناشی از آزمایشگاه ها و اسکنرهای مختلف کمک می کند و این مدل را قادر می سازد تا ویژگی های سازگارتر را بیاموزد.ExaonePath با استفاده از 285،153،903 تکه استخراج شده از کل 34،795 WSI آموزش داده می شود.آزمایشات ما نشان می دهد که ExaOnePath به طور قابل توجهی مشکل فروپاشی ویژگی را کاهش می دهد ، نشان می دهد که این مدل ویژگی های عمومی تری را آموخته است تا اینکه بیش از حد به خصوصیات WSI فردی بپردازد.ما ExaOtePath را با مدلهای پیشرفته در شش مجموعه داده کار پایین دست مقایسه کردیم ، و نتایج ما نشان می دهد که ExaonePath نسبت به تعداد WSI های مورد استفاده و تعداد پارامتر مدل به عملکرد برتر می رسد.این نشان می دهد که استفاده از نرمال سازی لکه به طور قابل ملاحظه ای باعث افزایش کارایی و قابلیت های عمومی مدل شده 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.