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

🪩تازه های دنیای فناوری

🆕️اولین دریافت کننده تراشه مغزی نورالینک می‌تواند با ذهنش شطرنج بازی کند.

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

🪩 تازه های دنیای پژوهش

🔗هوش مصنوعی انقلابی در درمان سرطان روده ایجاد کرده است؟!

✔️ تحقیقات جدید گروهی از پژوهشگران در دانشگاه لیدز نشان می‌دهد که یک آزمایش هوش مصنوعی می‌تواند بیماران مبتلا به سرطان روده را از شیمی‌درمانی بی‌نیاز کند.

✔️ این آزمایش با بررسی تعداد سلول‌های ایمنی CD3 در تومورها، به پیش‌بینی دقیق‌تر خطر بازگشت سرطان پس از جراحی می‌پردازد.

✔️ محققان کشف کردند که تومورهایی با تعداد کمتر سلول‌های CD3 سه برابر بیشتر احتمال دارد پس از جراحی بازگردند. این سلول‌ها به بدن کمک می‌کنند تا با سرطان مقابله کند و کاهش آنها می‌تواند به معنای نیاز بیشتر به شیمی‌درمانی باشد.

✔️ دکتر کریستوفر ویلیامز از دانشگاه لیدز می‌گوید که این آزمایش هوش مصنوعی، سریع، دقیق و ساده است و می‌تواند به پزشکان کمک کند تا درباره نیاز بیماران به شیمی‌درمانی تصمیمات بهتری بگیرند، و از درمان‌های غیرضروری جلوگیری کنند.

📥download article

🔍 jademakhsoos

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

📚معرفی کتاب

کتاب ارزشمند «آخرین تحولات و چالش های مهندسی پزشکی»

▪️این کتاب شامل 35 فصل است که در آن می‌توانید نمونه‌های مختلفی از توسعه روش‌ها و سیستم‌های پشتیبانی از تشخیص و درمان، مربوط به تصویربرداری، پردازش سیگنال و تصویر، مواد زیستی و اندام‌های مصنوعی، مدل‌سازی سیستم‌های زیست پزشکی را مشاهده کنید که به عنوان موضوعات تحقیقاتی در بیست و سومین کنفرانس Biocybernetics و Biomedical Engineering که در انستیتوی الکترونیک دانشگاه لودز لهستان در سپتامبر 2023 برگزار شد ارائه شدند.

✍️ناشر: Springer

🔎Academybme

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

سلام بر ساکنِ کربلاء
سلام بر آن کسى که فرشتگانِ آسمان بر او گریستند
سلام بر آن کسى که خاندانش پاک و مطهّرند
سلام بر غریبِ غریبان
سلام بر شهیدِ شهیدان
سلام بر مقتولِ دشمنان
سلام بر آن خون هاى جارى
سلام بر آن اعضاىِ قطعه قطعه شده
سلام بر آن سرهاىِ بالا رفته بر نیزه ها🕯🥀

[زیارت ناحيه مقدسه]

سَلامٌ عَلى قَلبِ زَينَبَ الصَّبور وَلِسانَها الشَّكور

🔗 آموزش یادگیری بدون نظارت (قسمت اول)

◻◾▪️در یادگیری بدون نظارت، الگوریتم‌ها و مدل‌هایی وجود دارند که به داده‌های دارای برچسب نیاز ندارند. برخی از این الگوریتم‌ها عبارتند از:

▪️الگوریتم K-Means Clustering: برای خوشه‌بندی داده‌ها به K گروه مختلف بر اساس ویژگی‌ها به کار می‌رود.

▪️الگوریتم DBSCAN: از چگالی داده‌ها برای شناسایی خوشه‌ها و نقاط دورافتاده استفاده می‌کند.

▪️الگوریتم Hierarchical Clustering: داده‌ها را به صورت سلسله‌مراتبی گروه‌بندی می‌کند.

با ماهمراه باشید ✨

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

🔗 آموزش یادگیری بدون نظارت (قسمت دوم)

◻◾▪️ادامه‌ی الگوریتم‌ها و مدل‌های موجود در آموزش یادگیری بدون نظارت که به داده‌های دارای برچسب نیاز ندارند :

◾الگوریتم Autoencoders: شبکه‌های عصبی که برای فشرده‌سازی و بازسازی داده‌ها طراحی شده‌اند. آن‌ها بدون نیاز به برچسب‌ها یاد می‌گیرند.

◾.الگوریتم Principal Component Analysis (PCA): برای کاهش ابعاد داده‌ها و شناسایی الگوهای غالب به کار می‌رود.

◾.الگوریتم t-Distributed Stochastic Neighbor Embedding (t-SNE): برای تجسم داده‌ها و کاهش ابعاد بر اساس شباهت‌های آنها استفاده می‌شود.

◾.الگوریتم Generative Adversarial Networks (GANs): به تولید داده‌های جدید مشابه داده‌های آموزشی پرداخته و به برچسب نیاز ندارند.

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