اکسپرس 24
ترجمه فارسی مقاله کاهش ابعاد و نزدیکترین همسایه‌ها برای بهبود تشخیص خارج از توزیع در قطعه‌بندی تصاویر پزشکی

ترجمه فارسی مقاله کاهش ابعاد و نزدیکترین همسایه‌ها برای بهبود تشخیص خارج از توزیع در قطعه‌بندی تصاویر پزشکی

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 Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation
عنوان مقاله به فارسی کاهش ابعاد و نزدیکترین همسایه‌ها برای بهبود تشخیص خارج از توزیع در قطعه‌بندی تصاویر پزشکی
نویسندگان McKell Woodland, Nihil Patel, Austin Castelo, Mais Al Taie, Mohamed Eltaher, Joshua P. Yung, Tucker J. Netherton, Tiffany L. Calderone, Jessica I. Sanchez, Darrel W. Cleere, Ahmed Elsaiey, Nakul Gupta, David Victor, Laura Beretta, Ankit B. Patel, Kristy K. Brock
فرمت مقاله انگلیسی PDF
تعداد صفحات 47
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 7 September, 2024; v1 submitted 5 August, 2024; originally announced August 2024. , Comments: Expansion of "Dimensionality Reduction for Improving Out-of-Distribution Detection in Medical Image Segmentation" arXiv:2308.03723. Submitted to the Journal for Machine Learning in Biomedical Imaging. Code available at https://github.com/mckellwoodland/dimen_reduce_mahal
توضیحات به فارسی ارسال 7 سپتامبر 2024 ؛V1 ارسال شده 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: گسترش "کاهش ابعاد برای بهبود تشخیص خارج از توزیع در تقسیم تصویر پزشکی" ARXIV: 2308.03723.ارسال شده به ژورنال برای یادگیری ماشین در تصویربرداری زیست پزشکی.کد موجود در https://github.com/mckellwoodland/dimen_reduce_mahal

قیمت: 19,000 تومان

سفارش

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

قیمت: 1,880,000 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

Clinically deployed deep learning-based segmentation models are known to fail on data outside of their training distributions. While clinicians review the segmentations, these models tend to perform well in most instances, which could exacerbate automation bias. Therefore, detecting out-of-distribution images at inference is critical to warn the clinicians that the model likely failed. This work applied the Mahalanobis distance (MD) post hoc to the bottleneck features of four Swin UNETR and nnU-net models that segmented the liver on T1-weighted magnetic resonance imaging and computed tomography. By reducing the dimensions of the bottleneck features with either principal component analysis or uniform manifold approximation and projection, images the models failed on were detected with high performance and minimal computational load. In addition, this work explored a non-parametric alternative to the MD, a k-th nearest neighbors distance (KNN). KNN drastically improved scalability and performance over MD when both were applied to raw and average-pooled bottleneck features.

چکیده به فارسی (ترجمه ماشینی)

مدل های تقسیم بندی مبتنی بر یادگیری عمیق که از نظر بالینی مستقر شده اند ، در داده های خارج از توزیع آموزش آنها ناکام هستند.در حالی که پزشکان تقسیم بندی ها را مرور می کنند ، این مدل ها در اکثر موارد تمایل به عملکرد خوب دارند ، که می تواند تعصب اتوماسیون را تشدید کند.بنابراین ، تشخیص تصاویر خارج از توزیع در استنتاج برای هشدار دادن به پزشکان که احتمالاً این مدل شکست خورده است ، بسیار مهم است.این کار از فاصله Mahalanobis (MD) پس از تعقیب در ویژگی های تنگنا چهار مدل SWIN UNETER و NNU-NET استفاده کرد که کبد را در تصویربرداری رزونانس مغناطیسی T1 و توموگرافی کامپیوتری تقسیم می کرد.با کاهش ابعاد ویژگی های تنگنا با تجزیه و تحلیل مؤلفه اصلی یا تقریب و طرح ریزی منیفولد یکنواخت ، تصاویر مدل ها با عملکرد بالا و حداقل بار محاسباتی تشخیص داده شدند.علاوه بر این ، این کار یک گزینه جایگزین غیر پارامتری برای MD ، نزدیکترین همسایگان K-Th (KNN) را مورد بررسی قرار داده است.KNN مقیاس پذیری و عملکرد نسبت به MD را به شدت بهبود بخشید که هر دو در ویژگی های تنگنک خام و متوسط ​​استفاده شدند.

📚 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.