Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات
Submitted 8 September, 2024; originally announced September 2024. , Comments: MICCAI 2024. Early Accept Paper (amongst the top 11% of 2869 papers submitted)
توضیحات به فارسی
ارسال شده در 8 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: Miccai 2024. مقاله اولیه را قبول کنید (در میان 11 ٪ برتر 2869 مقاله ارسال شده)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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 models have achieved great success in automating skin lesion diagnosis. However, the ethnic disparity in these models' predictions needs to be addressed before deploying them. We introduce a novel approach, PatchAlign, to enhance skin condition image classification accuracy and fairness by aligning with clinical text representations of skin conditions. PatchAlign uses Graph Optimal Transport (GOT) Loss as a regularizer to perform cross-domain alignment. The representations obtained are robust and generalize well across skin tones, even with limited training samples. To reduce the effect of noise and artifacts in clinical dermatology images, we propose a learnable Masked Graph Optimal Transport for cross-domain alignment that further improves fairness metrics. We compare our model to the state-of-the-art FairDisCo on two skin lesion datasets with different skin types: Fitzpatrick17k and Diverse Dermatology Images (DDI). PatchAlign enhances the accuracy of skin condition image classification by 2.8% (in-domain) and 6.2% (out-domain) on Fitzpatrick17k, and 4.2% (in-domain) on DDI compared to FairDisCo. Additionally, it consistently improves the fairness of true positive rates across skin tones. The source code for the implementation is available at the following GitHub repository: https://github.com/aayushmanace/PatchAlign24, enabling easy reproduction and further experimentation.
چکیده به فارسی (ترجمه ماشینی)
مدلهای یادگیری عمیق در اتوماسیون تشخیص ضایعه پوست موفقیت زیادی کسب کرده اند.با این حال ، نابرابری قومی در پیش بینی های این مدل ها قبل از استقرار آنها باید مورد توجه قرار گیرد.ما یک رویکرد جدید ، Patchalign را معرفی می کنیم تا با هماهنگی با بازنمایی متن بالینی از شرایط پوستی ، دقت طبقه بندی و انصاف تصویر وضعیت پوست را تقویت کنیم.Patchalign از Graph Optimal Transport (GOT) به عنوان یک تنظیم کننده برای انجام تراز دامنه متقابل استفاده می کند.بازنمودهای به دست آمده قوی است و حتی با نمونه های آموزشی محدود ، در بین رنگ های پوستی نیز به خوبی تعمیم می یابد.برای کاهش تأثیر سر و صدا و مصنوعات در تصاویر درماتولوژی بالینی ، ما یک نمودار ماسک شده قابل یادگیری را برای تراز بین دامنه متقابل پیشنهاد می کنیم که معیارهای انصاف را بیشتر بهبود می بخشد.ما مدل خود را با دو مجموعه داده ضایعه پوستی با انواع مختلف پوستی با مدل های مختلف ضایعه پوست مقایسه می کنیم: FitzPatrick17K و تصاویر پوستی متنوع (DDI).Patchalign دقت طبقه بندی تصویر وضعیت پوست را با 2.8 ٪ (دامنه) و 6.2 ٪ (خارج از دامنه) در FitzPatrick17K و 4.2 ٪ (در دامنه) در DDI در مقایسه با Fairdisco افزایش می دهد.علاوه بر این ، به طور مداوم انصاف نرخ مثبت واقعی را در بین رنگ های پوست بهبود می بخشد.کد منبع برای اجرای در مخزن GitHub زیر موجود است: https://github.com/aayushmanace/patchalign24 ، تولید مثل آسان و آزمایش بیشتر.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
