مقاله MedISure: اطمینان از طبقه بندی کننده های تصویر پزشکی مبتنی بر یادگیری ماشین با استفاده از تجزیه و تحلیل مرزی ترکیبی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی MedISure: Towards Assuring Machine Learning-based Medical Image Classifiers using Mixup Boundary Analysis
عنوان مقاله به فارسی مقاله MedISure: اطمینان از طبقه بندی کننده های تصویر پزشکی مبتنی بر یادگیری ماشین با استفاده از تجزیه و تحلیل مرزی ترکیبی
نویسندگان Adam Byfield, William Poulett, Ben Wallace, Anusha Jose, Shatakshi Tyagi, Smita Shembekar, Adnan Qayyum, Junaid Qadir, Muhammad Bilal
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Machine Learning,Image and Video Processing,یادگیری ماشین , پردازش تصویر و فیلم ,
توضیحات Submitted 23 November, 2023; originally announced November 2023.
توضیحات به فارسی ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد.

چکیده

Machine learning (ML) models are becoming integral in healthcare technologies, presenting a critical need for formal assurance to validate their safety, fairness, robustness, and trustworthiness. These models are inherently prone to errors, potentially posing serious risks to patient health and could even cause irreparable harm. Traditional software assurance techniques rely on fixed code and do not directly apply to ML models since these algorithms are adaptable and learn from curated datasets through a training process. However, adapting established principles, such as boundary testing using synthetic test data can effectively bridge this gap. To this end, we present a novel technique called Mix-Up Boundary Analysis (MUBA) that facilitates evaluating image classifiers in terms of prediction fairness. We evaluated MUBA for two important medical imaging tasks -- brain tumour classification and breast cancer classification -- and achieved promising results. This research aims to showcase the importance of adapting traditional assurance principles for assessing ML models to enhance the safety and reliability of healthcare technologies. To facilitate future research, we plan to publicly release our code for MUBA.

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری ماشین (ML) در فن آوری های مراقبت های بهداشتی یکپارچه می شوند و نیاز اساسی به اطمینان رسمی برای اعتبارسنجی ایمنی ، انصاف ، استحکام و اعتماد به نفس دارند.این مدل ها ذاتاً مستعد خطاها هستند ، به طور بالقوه خطرات جدی برای سلامت بیمار ایجاد می کنند و حتی می توانند آسیب جبران ناپذیری ایجاد کنند.تکنیک های تضمین نرم افزار سنتی به کد ثابت متکی هستند و مستقیماً در مورد مدل های ML اعمال نمی شوند زیرا این الگوریتم ها سازگار هستند و از طریق یک فرآیند آموزش از مجموعه داده های سرپرستی یاد می گیرند.با این حال ، تطبیق اصول ایجاد شده ، مانند آزمایش مرزی با استفاده از داده های تست مصنوعی می تواند به طور مؤثر این شکاف را پر کند.برای این منظور ، ما یک تکنیک جدید به نام تجزیه و تحلیل مرزی مخلوط (MUBA) ارائه می دهیم که ارزیابی طبقه بندی کننده های تصویر از نظر انصاف پیش بینی را تسهیل می کند.ما MUBA را برای دو کار مهم تصویربرداری پزشکی - طبقه بندی تومور مغزی و طبقه بندی سرطان پستان - ارزیابی کردیم و به نتایج امیدوار کننده ای رسیدیم.این تحقیق با هدف نشان دادن اهمیت تطبیق اصول تضمین سنتی برای ارزیابی مدلهای ML برای تقویت ایمنی و قابلیت اطمینان فن آوری های مراقبت های بهداشتی انجام شده است.برای تسهیل تحقیقات آینده ، ما قصد داریم کد خود را برای MUBA منتشر کنیم.

📚 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.