ترجمه فارسی مقاله BLS-GAN: یک چارچوب جداسازی لایه عمیق برای از بین بردن همپوشانی استخوان در رادیوگرافی های معمولی

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 BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs
عنوان مقاله به فارسی BLS-GAN: یک چارچوب جداسازی لایه عمیق برای از بین بردن همپوشانی استخوان در رادیوگرافی های معمولی
نویسندگان Haolin Wang, Yafei Ou, Prasoon Ambalathankandy, Gen Ota, Pengyu Dai, Masayuki Ikebe, Kenji Suzuki, Tamotsu Kamishima
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم , دید رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , ACM Class: I.3.3; J.3; I.4.0
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، کلاس ACM: I.3.3 ؛J.3 ؛I.4.0
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

Conventional radiography is the widely used imaging technology in diagnosing, monitoring, and prognosticating musculoskeletal (MSK) diseases because of its easy availability, versatility, and cost-effectiveness. In conventional radiographs, bone overlaps are prevalent, and can impede the accurate assessment of bone characteristics by radiologists or algorithms, posing significant challenges to conventional and computer-aided diagnoses. This work initiated the study of a challenging scenario - bone layer separation in conventional radiographs, in which separate overlapped bone regions enable the independent assessment of the bone characteristics of each bone layer and lay the groundwork for MSK disease diagnosis and its automation. This work proposed a Bone Layer Separation GAN (BLS-GAN) framework that can produce high-quality bone layer images with reasonable bone characteristics and texture. This framework introduced a reconstructor based on conventional radiography imaging principles, which achieved efficient reconstruction and mitigates the recurrent calculations and training instability issues caused by soft tissue in the overlapped regions. Additionally, pre-training with synthetic images was implemented to enhance the stability of both the training process and the results. The generated images passed the visual Turing test, and improved performance in downstream tasks. This work affirms the feasibility of extracting bone layer images from conventional radiographs, which holds promise for leveraging bone layer separation technology to facilitate more comprehensive analytical research in MSK diagnosis, monitoring, and prognosis. Code and dataset will be made available.

چکیده به فارسی (ترجمه ماشینی)

رادیوگرافی معمولی فناوری تصویربرداری به طور گسترده در تشخیص ، نظارت و پیش آگهی بیماری های اسکلتی عضلانی (MSK) به دلیل در دسترس بودن آسان ، تطبیق پذیری و مقرون به صرفه بودن آن است.در رادیوگرافی های معمولی ، همپوشانی استخوان شیوع دارد و می تواند مانع از ارزیابی دقیق خصوصیات استخوان توسط رادیولوژیست ها یا الگوریتم ها شود و چالش های مهمی را برای تشخیص های معمولی و رایانه ایجاد می کند.این کار مطالعه یک سناریوی چالش برانگیز - جداسازی لایه استخوان در رادیوگرافی های معمولی را آغاز کرد ، که در آن مناطق استخوان با هم همپوشانی جداگانه ارزیابی مستقل از ویژگی های استخوان هر لایه استخوان را امکان پذیر می کند و زمینه را برای تشخیص بیماری MSK و اتوماسیون آن قرار می دهد.این کار یک چارچوب جداسازی لایه استخوان GAN (BLS-GAN) را ارائه می دهد که می تواند تصاویر لایه استخوان با کیفیت بالا با ویژگی های استخوان و بافت مناسب را تولید کند.این چارچوب یک بازسازی کننده را بر اساس اصول تصویربرداری رادیوگرافی معمولی معرفی کرد ، که به بازسازی کارآمد دست یافت و محاسبات مکرر و آموزش ناپایداری را که ناشی از بافت نرم در مناطق همپوشانی است ، کاهش می دهد.علاوه بر این ، پیش از ترجمه با تصاویر مصنوعی برای تقویت ثبات هم فرآیند آموزش و هم نتایج انجام شد.تصاویر تولید شده از آزمون بصری تورینگ عبور کرده و عملکرد را در کارهای پایین دست بهبود می بخشد.این کار امکان استخراج تصاویر لایه استخوان از رادیوگرافی های معمولی را تأیید می کند ، که نوید لازم برای استفاده از فناوری جداسازی لایه استخوان را برای تسهیل تحقیقات جامع تر تحلیلی در تشخیص MSK ، نظارت و پیش آگهی دارد.کد و مجموعه داده در دسترس خواهد بود.

📚 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.