🚀 تازه های دنیای تصویر

🆕 افزایش کیفیت ویدئوها با هوش مصنوعی

🪩 مدل هوش‌مصنوعی VideoGigaGAN به تازگی رونمایی شده است و توانایی افزایش کیفیت ویدیوها را تا 8 برابر دارد.

📥 download paper

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news
#image_processing
#OpenCv_olc

👩🏻‍💻🧑🏻‍💻 انجمن علمی-دانشجویی فناوری های هوشمند پزشکی با همکاری واحد تحصیلات تکمیلی دانشکده پزشکی برگزار می کند: 

اولین جلسه از سلسله جلسات کارگاه‌های توسعه فردی:
مدیریت زمان و بهره‌وری

👩‍🏫 مدرس دوره :

دکتر فرناز قنادی
🔹روانکاوی دانشگاه تهران
🔹اینترن پزشکی دانشگاه علوم پزشکی تهران
🔹دبیر کمیته دانشجویی انجمن علمی روانپزشکان ایران

🗓 تاریخ برگزاری: چهارشنبه ۷ شهریور ۱۴۰۳
🕘 ساعت: ۱۲ الی ۱۵

💵 هزینه کارگاه: ۳۰۰ هزار تومان
💰 ۱۵٪ تخفیف ویژه دانشجویان دانشگاه تهران
💰 ۱۰٪ تخفیف ویژه دانشجویان سایر دانشگاه ها

📎 لینک ثبت نام

نحوه برگزاری کارگاه: به صورت هیبریدی
📌 حضوری در سالن شورای مرکز پژوهش های دانشجویان علوم پزشکی تهران 

🌐 مجازی در بستر اسکای روم (لینک شرکت در جلسه، یک روز قبل به ایمیل شرکت کنندگان ارسال خواهد شد)

📜 با ارائه گواهی معتبر از مرکز پژوهش های علمی دانشگاه علوم پزشکی تهران

📬 راه‌های ارتباطی جهت پاسخ به سوالات در مورد کارگاه و دریافت کد تخفیف جهت ثبت نام:
💬 @MIT_Admin
📧 Mit_tums@yahoo.com
————————-
ما را در شبکه های اجتماعی دنبال کنید:
🌐 AMTEI
🔗 Linkedin
🆔 @MIT_TUMS
🆔 @SSRC_News

🖇Python cheat sheet

📄 مجموعه ای از مفاهیم و متدهای مقدماتی پایتون + همراه با مثال

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#python
#programming
#OpenCv_olc

📖 کاربرد یادگیری ماشین در تحلیل تصاویر پزشکی

🖊 چگونه یک شبکه عصبی کانولوشنال (CNN) می‌تواند برای تشخیص رتینوپاتی دیابتی از روی یک عکس چشم استفاده شود؟

🖊 شبکه های عصبی پیچشی نوعی الگوریتم یادگیری عمیق هستند که برای تحلیل و طبقه‌بندی داده‌ها استفاده می‌شوند. آن‌ها قادر به تشخیص الگوها در تصاویر، حتی زمانی که این الگوها کوچک یا پیچیده هستند، می‌باشند.

🖊 در مورد رتینوپاتی دیابتی، CNNها می‌توانند برای شناسایی وجود ضایعات در شبکیه چشم استفاده شوند. این ضایعات ناشی از آسیب به رگ‌های خونی شبکیه هستند و می‌توانند منجر به از دست دادن بینایی شوند.

با ماهمراه باشید 🌱
🆔️ telegram channel :
https://news.1rj.ru/str/Intellimage
#deep_learning
#python
#image_processing

🎥 یک مرور کلی واضح و آموزنده در مورد یادگیری ماشین برای تحلیل تصاویر پزشکی

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#deep_learning
#python
#image_processing
#MedAI_academy

تصویری بی نظیر از سحابی پروانه ای در فراز کهکشان 🦋🫧🪄

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🪩 تازه های دنیای فناوری

📽 نحوه ی تولید پاسخ توسط هوش مصنوعی

🔬ویدئویی جذاب از نحوه ی عملکرد هوش مصنوعی در تولید پاسخ

💡این مکانیسم بر اساس این موضوع کار می کند که هر تصمیم حتی کوچک، می‌تواند منتهی به مسیر متفاوتی شود...

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#deep_learning
#programming
#aql_masnouei

👨‍💻 ده تا از بهترین کتابخانه‌هایی که در سال 2024 شما را به یک دیتاساینتیست حرفه‌ای تبدیل می‌کند:

🖇Top 10 Python Libraries for Data Science in 2024 :

1️⃣. TensorFlow 2.x
2️⃣. PyTorch
3️⃣. Pandas
4️⃣. Scikit-Learn
5️⃣. Dask
6️⃣. Statsmodels
7️⃣. Matplotlib and Seaborn
8️⃣. XGBoost
9️⃣. NLTK
🔟. Plotly

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#python
#deep_learning
#OpenCv_olc

◾اهمیت بازسازی سه بعدی شریان های کرونری🫀

▪️بازسازی سه‌بعدی شریان‌های کرونری با استفاده از تصاویر چندگانه آنژیوگرافی کرونری (CAG) به‌طور فزاینده‌ای در حوزه مدیریت بیماری‌های قلبی عروقی شناخته شده است.

▪️این فرآیند به بهینه‌سازی ماتریس دوربین وابسته است و نیازمند اطلاعات تطابق برای نقاط مشابه در دو تصویر می‌باشد. بنابراین، یک روش خودکار برای تعیین تطابق بین دو تصویر CAG بسیار مطلوب است.

▪️با وجود این نیاز، تحقیق کمی در زمینه تطابق تصویر در تصاویر CAG وجود دارد. همچنین، تکنیک‌های استاندارد یادگیری عمیق برای تطابق تصویر معمولاً به دلیل ویژگی‌های منحصر به فرد و نویز در تصاویر CAG دچار افت کیفیت می‌شوند.

با ما همراه باشید 🌱

🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning

🪩 تازه های پژوهشی دنیای تصویر

📚 بررسی مقاله :
Efective denoscriptor extraction 
strategies for correspondence 
matching in coronary angiography 
images

◾این مقاله به تازگی در nature به چاپ رسیده است.

◾با توجه به‌ آنچه در رابطه با بازسازی سه بعدی شریان های کرونری در پست قبل گفته شد، این مطالعه به‌دنبال پرکردن خلأ تکنیک‌های استاندارد یادگیری عمیق برای تطابق تصویر است که معمولاً به دلیل ویژگی‌های منحصر به فرد و نویز در تصاویر CAG دچار افت کیفیت می‌شوند و روشی مبتنی بر یادگیری عمیق برای تطابق تصاویر CAG پیشنهاد می‌دهد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning

🔭 تصویر ثبت شده از تلسکوپ هابل باعنوان :
"فریاد ستاره ی در حال مرگ"

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🚀 تازه های دنیای تصویر

📍تولید ویدئو با آواتار مجازی در سرویس Arcads

▫️اگر به دقت به این ویدئو نگاه کنید ، تشخیص فیک بودن این شخص تقریبا غیرممکن است.

▫️این شخص وجود خارجی ندارد و کل پروسه با #هوش_مصنوعی ساخته شده است.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news
#image_processing
#deep_learning

👨‍💻معرفی الگوریتم‌ها در پردازش تصویر

🔬بررسی عملکرد Dilation در پردازش تصویر

🗒الگوریتم پردازشی Dilation ، به یک عملیات ریاضی در مورفولوژی دیجیتال اشاره دارد که باعث افزایش اندازه اشیاء در تصویر می‌شود.

🗒الگوریتم Dilation یک عملیات ریاضی است که با استفاده از یک عنصرساختاری(structuring element) انجام می‌شود و این عنصر ساختاری می‌تواند به شکل یک ماتریس یا الگویی از پیکسل‌ها باشد.

🗒 در طی عملیات Dilation، عنصر ساختاری روی هر پیکسل تصویر حرکت می‌کند و اگر پیکسل مرکزی عنصر ساختاری روی یک پیکسل "روشن" قرار بگیرد، آن پیکسل به "روشن" تبدیل می‌شود.

🗒 این عملیات باعث افزایش اندازه اشیاء روشن در تصویر می‌شود و در نتیجه، اشیاء کوچک‌تر به اشیاء بزرگ‌تر تبدیل می‌شوند.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#dilation

🔗 معرفی شبکه عصبی U-Net

▪️شبکه U-Net به طور گسترده در پردازش تصاویر پزشکی استفاده می شود.این شبکه قابلیت انجام segmentation وتشخیص نواحی مختلف را در تصویر دارد.

▪️شبکه U-Net می تواند برای شناسایی و برچسب گذاری ناحیه های مختلف مانند زخم ها، پلیپ ها و غیره در تصاویر آندوسکوپی استفاده شود.

باماهمراه باشید🌱

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#module
#deep_learning
#U_net

🔗 ساختار شبکه عصبی U-Net

▪️بخش Encoder : بخش انکودر که در بالای "U" قرار دارد، وظیفه استخراج ویژگی‌های تصویر را بر عهده دارد. این بخش شبیه به شبکه‌های کانولوشنی استاندارد (مانند VGG یا ResNet) عمل می‌کند و ویژگی‌های محلی را استخراج می‌کند.

▪️بخش Bottleneck : بعد از بخش انکودر، داده‌ها وارد یک لایه مانند "گردن بطری" می‌شوند که در آن ویژگی‌های عمیق‌تری از تصویر استخراج می‌شود.

▪️بخش Decoder : بخش دیکدر که در پایین "U" قرار دارد، وظیفه بازسازی تصویر را بر عهده دارد. این بخش با استفاده از ویژگی‌های استخراج شده توسط انکودر و همچنین اتصالات جانبی (skip connections) بین انکودر و دیکدر، تصویر سگمنت شده را تولید می‌کند.

💡مزیت اصلی U-Net در این است که با استفاده از اتصالات جانبی بین انکودر و دیکدر، اطلاعات محلی و جزئی تصویر را در طول فرایند دیکدینگ حفظ می‌کند. این امر باعث می‌شود که شبکه قادر به ایجاد نتایج دقیق‌تر و با جزئیات بیشتری برای وظایف سگمنتاسیون باشد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#module
#deep_learning
#U_net