ترجمه فارسی مقاله مدیریت تغییرات هندسی دامنه در تقسیم بندی معنایی تصاویر RGB جراحی و فراطیفی

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 Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images
عنوان مقاله به فارسی مدیریت تغییرات هندسی دامنه در تقسیم بندی معنایی تصاویر RGB جراحی و فراطیفی
نویسندگان Silvia Seidlitz, Jan Sellner, Alexander Studier-Fischer, Alessandro Motta, Berkin Özdemir, Beat P. Müller-Stich, Felix Nickel, Lena Maier-Hein
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 27 August, 2024; originally announced August 2024. , Comments: Silvia Seidlitz and Jan Sellner contributed equally
توضیحات به فارسی ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: سیلویا سیدلیتز و جان فروشنر به طور مساوی کمک کردند
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

Robust semantic segmentation of intraoperative image data holds promise for enabling automatic surgical scene understanding and autonomous robotic surgery. While model development and validation are primarily conducted on idealistic scenes, geometric domain shifts, such as occlusions of the situs, are common in real-world open surgeries. To close this gap, we (1) present the first analysis of state-of-the-art (SOA) semantic segmentation models when faced with geometric out-of-distribution (OOD) data, and (2) propose an augmentation technique called "Organ Transplantation", to enhance generalizability. Our comprehensive validation on six different OOD datasets, comprising 600 RGB and hyperspectral imaging (HSI) cubes from 33 pigs, each annotated with 19 classes, reveals a large performance drop in SOA organ segmentation models on geometric OOD data. This performance decline is observed not only in conventional RGB data (with a dice similarity coefficient (DSC) drop of 46 %) but also in HSI data (with a DSC drop of 45 %), despite the richer spectral information content. The performance decline increases with the spatial granularity of the input data. Our augmentation technique improves SOA model performance by up to 67 % for RGB data and 90 % for HSI data, achieving performance at the level of in-distribution performance on real OOD test data. Given the simplicity and effectiveness of our augmentation method, it is a valuable tool for addressing geometric domain shifts in surgical scene segmentation, regardless of the underlying model. Our code and pre-trained models are publicly available at https://github.com/IMSY-DKFZ/htc.

چکیده به فارسی (ترجمه ماشینی)

تقسیم معنایی قوی از داده های تصویر حین عمل نوید بخشیدن به درک خودکار صحنه جراحی و جراحی روباتیک خودمختار را در اختیار دارد.در حالی که توسعه و اعتبار سنجی مدل در درجه اول در صحنه های ایده آل انجام می شود ، تغییر دامنه هندسی ، مانند انسداد سوکت ، در جراحی های باز در دنیای واقعی رایج است.برای بستن این شکاف ، ما (1) اولین تجزیه و تحلیل مدل های تقسیم معنایی پیشرفته (SOA) را هنگام مواجهه با داده های هندسی خارج از توزیع (OOD) ارائه می دهیم ، و (2) یک روش تقویت را پیشنهاد می کنیم"پیوند عضو" ، برای تقویت تعمیم پذیری.اعتبار سنجی جامع ما در شش مجموعه داده مختلف OOD ، شامل 600 مکعب RGB و تصویربرداری با کیفیت (HSI) از 33 خوک ، که هر کدام با 19 کلاس حاشیه نویسی شده اند ، افت عملکرد بزرگی را در مدل های تقسیم اندام SOA در داده های OOD هندسی نشان می دهد.این کاهش عملکرد نه تنها در داده های RGB معمولی (با ضریب شباهت تاس (DSC) 46 ٪) بلکه در داده های HSI (با افت DSC 45 ٪) ، با وجود محتوای اطلاعات طیفی غنی ، مشاهده می شود.کاهش عملکرد با دانه بندی مکانی داده های ورودی افزایش می یابد.تکنیک تقویت ما عملکرد مدل SOA را تا 67 ٪ برای داده های RGB و 90 ٪ برای داده های HSI بهبود می بخشد و به عملکرد در سطح عملکرد توزیع در داده های آزمایش واقعی OOD می رسد.با توجه به سادگی و اثربخشی روش تقویت ما ، این یک ابزار ارزشمند برای پرداختن به تغییرات دامنه هندسی در تقسیم صحنه جراحی ، صرف نظر از مدل اساسی است.کد و مدل های از پیش آموزش ما به صورت عمومی در https://github.com/imsy-dkfz/htc در دسترس هستند.

📚 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.