ترجمه فارسی مقاله یادگیری خودنظارتی متراکم برای 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 Dense Self-Supervised Learning for Medical Image Segmentation
عنوان مقاله به فارسی یادگیری خودنظارتی متراکم برای قطعه‌بندی تصاویر پزشکی
نویسندگان Maxime Seince, Loic Le Folgoc, Luiz Augusto Facury de Souza, Elsa Angelini
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 29 July, 2024; originally announced July 2024. , Comments: Accepted at MIDL 2024 , ACM Class: I.4.6; I.4.10
توضیحات به فارسی ارسال 29 ژوئیه 2024 ؛در ابتدا در ژوئیه 2024 اعلام شد ، نظرات: پذیرفته شده در Midl 2024 ، کلاس ACM: I.4.6 ؛I.4.10

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

Deep learning has revolutionized medical image segmentation, but it relies heavily on high-quality annotations. The time, cost and expertise required to label images at the pixel-level for each new task has slowed down widespread adoption of the paradigm. We propose Pix2Rep, a self-supervised learning (SSL) approach for few-shot segmentation, that reduces the manual annotation burden by learning powerful pixel-level representations directly from unlabeled images. Pix2Rep is a novel pixel-level loss and pre-training paradigm for contrastive SSL on whole images. It is applied to generic encoder-decoder deep learning backbones (e.g., U-Net). Whereas most SSL methods enforce invariance of the learned image-level representations under intensity and spatial image augmentations, Pix2Rep enforces equivariance of the pixel-level representations. We demonstrate the framework on a task of cardiac MRI segmentation. Results show improved performance compared to existing semi- and self-supervised approaches; and a 5-fold reduction in the annotation burden for equivalent performance versus a fully supervised U-Net baseline. This includes a 30% (resp. 31%) DICE improvement for one-shot segmentation under linear-probing (resp. fine-tuning). Finally, we also integrate the novel Pix2Rep concept with the Barlow Twins non-contrastive SSL, which leads to even better segmentation performance.

چکیده به فارسی (ترجمه ماشینی)

یادگیری عمیق ، تقسیم بندی تصویر پزشکی را متحول کرده است ، اما به حاشیه نویسی با کیفیت بالا متکی است.زمان ، هزینه و تخصص مورد نیاز برای برچسب زدن تصاویر در سطح پیکسل برای هر کار جدید ، اتخاذ گسترده پارادایم را کاهش داده است.ما Pix2Rep ، یک رویکرد یادگیری خود سنجی (SSL) را برای تقسیم چند شات پیشنهاد می کنیم ، که با یادگیری بازنمایی های قدرتمند پیکسل به طور مستقیم از تصاویر بدون برچسب ، بار حاشیه نویسی دستی را کاهش می دهد.Pix2Rep یک پارادایم از دست دادن سطح پیکسل و پیکسل جدید برای SSL متضاد در تصاویر کامل است.این برای رمزگذار عمومی رمزگذار عمق یادگیری عمیق (به عنوان مثال ، U-NET) اعمال می شود.در حالی که بیشتر روشهای SSL باعث تغییر در نمایش های سطح تصویر آموخته شده تحت شدت و تقویت تصویر مکانی می شوند ، Pix2Rep یکسانیت از بازنمودهای سطح پیکسل را اجرا می کند.ما چارچوب وظیفه تقسیم MRI قلبی را نشان می دهیم.نتایج نشان می دهد که عملکرد بهبود یافته در مقایسه با رویکردهای نیمه و خودكاری موجود.و کاهش 5 برابر بار حاشیه نویسی برای عملکرد معادل در مقابل یک پایه U-Net کاملاً نظارت شده.این شامل بهبود تاس 30 ٪ (31 ٪) برای تقسیم بندی یک شات زیر خطی است (به ترتیب تنظیم دقیق).سرانجام ، ما همچنین مفهوم رمان Pix2Rep را با SSL غیر کنتراستار دوقلوهای بارلو با هم ادغام می کنیم ، که منجر به عملکرد تقسیم بندی بهتر می شود.

📚 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.