ترجمه فارسی مقاله یادگیری چند نمایشی قابل اعتماد با پیش‌بینی منسجم برای طبقه‌بندی تنگی آئورت در اکوکاردیوگرافی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Reliable Multi-View Learning with Conformal Prediction for Aortic Stenosis Classification in Echocardiography
عنوان مقاله به فارسی یادگیری چند نمایشی قابل اعتماد با پیش‌بینی منسجم برای طبقه‌بندی تنگی آئورت در اکوکاردیوگرافی
نویسندگان Ang Nan Gu, Michael Tsang, Hooman Vaseli, Teresa Tsang, Purang Abolmaesumi
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Image and Video Processing,Artificial Intelligence,Computer Vision and Pattern Recognition,پردازش تصویر و فیلم , هوش مصنوعی , دید رایانه و تشخیص الگوی ,
توضیحات Submitted 15 September, 2024; originally announced September 2024. , Comments: This preprint has not undergone any post-submission improvements or corrections. The Version of Record of this contribution is published in: International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer (2024) under the same title
توضیحات به فارسی ارسال شده در 15 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این preprint تحت هیچ گونه پیشرفت یا اصلاحات پس از ارسال قرار نگرفته است.نسخه سابقه این سهم در کنفرانس بین المللی محاسبات تصویر پزشکی و مداخله به کمک رایانه (MICCAI) ، اسپرینگر (2024) با همین عنوان منتشر شده است.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

The fundamental problem with ultrasound-guided diagnosis is that the acquired images are often 2-D cross-sections of a 3-D anatomy, potentially missing important anatomical details. This limitation leads to challenges in ultrasound echocardiography, such as poor visualization of heart valves or foreshortening of ventricles. Clinicians must interpret these images with inherent uncertainty, a nuance absent in machine learning's one-hot labels. We propose Re-Training for Uncertainty (RT4U), a data-centric method to introduce uncertainty to weakly informative inputs in the training set. This simple approach can be incorporated to existing state-of-the-art aortic stenosis classification methods to further improve their accuracy. When combined with conformal prediction techniques, RT4U can yield adaptively sized prediction sets which are guaranteed to contain the ground truth class to a high accuracy. We validate the effectiveness of RT4U on three diverse datasets: a public (TMED-2) and a private AS dataset, along with a CIFAR-10-derived toy dataset. Results show improvement on all the datasets.

چکیده به فارسی (ترجمه ماشینی)

مشکل اساسی در تشخیص هدایت سونوگرافی این است که تصاویر به دست آمده اغلب مقطع 2 بعدی از یک آناتومی 3 بعدی هستند که به طور بالقوه جزئیات مهم آناتومیکی را از دست نمی دهند.این محدودیت منجر به چالش هایی در اکوکاردیوگرافی سونوگرافی مانند تجسم ضعیف دریچه های قلب یا پیش بینی بطن ها می شود.پزشکان باید این تصاویر را با عدم اطمینان ذاتی تفسیر کنند ، ظرافت موجود در برچسب های یک داغ یادگیری ماشین.ما آموزش مجدد را برای عدم اطمینان (RT4U) ، یک روش داده محور برای معرفی عدم اطمینان به ورودی های ضعیف آموزنده در مجموعه آموزش پیشنهاد می کنیم.این رویکرد ساده می تواند در روشهای طبقه بندی تنگی آئورت پیشرفته موجود برای بهبود بیشتر دقت آنها گنجانیده شود.هنگامی که با تکنیک های پیش بینی کنفورماسی همراه باشد ، RT4U می تواند مجموعه های پیش بینی با اندازه سازگار را ارائه دهد که تضمین شده است که شامل کلاس حقیقت زمین با دقت بالایی باشد.ما اثربخشی RT4U را در سه مجموعه داده متنوع تأیید می کنیم: یک عمومی (TMED-2) و یک مجموعه داده خصوصی ، به همراه یک مجموعه داده اسباب بازی Cifar-10.نتایج نشان می دهد پیشرفت در تمام مجموعه داده ها.

📚 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.