ترجمه فارسی مقاله Geo-UNet: یک چارچوب عصبی با محدودیت هندسی برای قطعه‌بندی لومن با درجه بالینی در سونوگرافی داخل عروقی

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 Geo-UNet: A Geometrically Constrained Neural Framework for Clinical-Grade Lumen Segmentation in Intravascular Ultrasound
عنوان مقاله به فارسی Geo-UNet: یک چارچوب عصبی با محدودیت هندسی برای قطعه‌بندی لومن با درجه بالینی در سونوگرافی داخل عروقی
نویسندگان Yiming Chen, Niharika S. D'Souza, Akshith Mandepally, Patrick Henninger, Satyananda Kashyap, Neerav Karani, Neel Dey, Marcos Zachary, Raed Rizq, Paul Chouinard, Polina Golland, Tanveer F. Syeda-Mahmood
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Image and Video Processing,Computer Vision and Pattern Recognition,پردازش تصویر و ویدیو , چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: Accepted into the 15th workshop on Machine Learning in Medical Imaging at MICCAI 2024. (* indicates equal contribution)
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده در پانزدهمین کارگاه یادگیری ماشین در تصویربرداری پزشکی در Miccai 2024. (* نشان دهنده سهم برابر است)

قیمت: 19,000 تومان

سفارش

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

قیمت: 520,000 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

Precisely estimating lumen boundaries in intravascular ultrasound (IVUS) is needed for sizing interventional stents to treat deep vein thrombosis (DVT). Unfortunately, current segmentation networks like the UNet lack the precision needed for clinical adoption in IVUS workflows. This arises due to the difficulty of automatically learning accurate lumen contour from limited training data while accounting for the radial geometry of IVUS imaging. We propose the Geo-UNet framework to address these issues via a design informed by the geometry of the lumen contour segmentation task. We first convert the input data and segmentation targets from Cartesian to polar coordinates. Starting from a convUNet feature extractor, we propose a two-task setup, one for conventional pixel-wise labeling and the other for single boundary lumen-contour localization. We directly combine the two predictions by passing the predicted lumen contour through a new activation (named CDFeLU) to filter out spurious pixel-wise predictions. Our unified loss function carefully balances area-based, distance-based, and contour-based penalties to provide near clinical-grade generalization in unseen patient data. We also introduce a lightweight, inference-time technique to enhance segmentation smoothness. The efficacy of our framework on a venous IVUS dataset is shown against state-of-the-art models.

چکیده به فارسی (ترجمه ماشینی)

دقیقاً تخمین مرزهای لومن در سونوگرافی داخل عروقی (IVUS) برای اندازه گیری استنت های مداخله ای برای درمان ترومبوز ورید عمیق (DVT) مورد نیاز است.متأسفانه ، شبکه های تقسیم بندی فعلی مانند Unet فاقد دقت مورد نیاز برای پذیرش بالینی در گردش کار IVUS هستند.این امر به دلیل دشواری در یادگیری خودکار کانتور لومن دقیق از داده های آموزش محدود در حالی که حساب هندسه شعاعی تصویربرداری IVUS را تشکیل می دهد ، بوجود می آید.ما چارچوب جغرافیایی را برای پرداختن به این موضوعات از طریق طرحی که توسط هندسه کار تقسیم کانتور لومن آگاه شده است ، پیشنهاد می کنیم.ما ابتدا داده های ورودی و اهداف تقسیم بندی را از مختصات دکارتی به قطبی تبدیل می کنیم.با شروع از یک استخراج کننده ویژگی Convunet ، ما یک مجموعه دو کار را پیشنهاد می کنیم ، یکی برای برچسب زدن به پیکسل معمولی و دیگری برای محلی سازی تک لومن مرزی.ما به طور مستقیم دو پیش بینی را با عبور از کانتور لومن پیش بینی شده از طریق یک فعال سازی جدید (به نام cdfelu) برای فیلتر کردن پیش بینی های پیکسل فریبنده ترکیب می کنیم.عملکرد از دست دادن یکپارچه ما با دقت مجازات های مبتنی بر مساحت ، مبتنی بر مساحت و کانتور را برای ارائه تعمیم نزدیک به درجه بالینی در داده های بیمار غیب متعادل می کند.ما همچنین یک تکنیک سبک و استنباط وزن را برای تقویت صافی تقسیم بندی معرفی می کنیم.اثربخشی چارچوب ما در یک مجموعه داده وریدی IVUS در برابر مدل های پیشرفته نشان داده شده است.

📚 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.