🔗 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

🪩 تازه های فناوری

🩻 انقلاب هوش مصنوعی در دنیای رادیولوژی

💭این ویدئو مصاحبه‌ای با برت مولارد، یک رادیولوژیست، در مورد چگونگی تغییر حوزه رادیولوژی توسط هوش مصنوعی (AI) است.

💭 مولارد معتقد است که هوش مصنوعی پتانسیل ایجاد تأثیر بزرگ بر رادیولوژی را از طریق بهبود کارایی و دقت دارد. او نمونه‌هایی از نحوه استفاده فعلی از هوش مصنوعی در رادیولوژی، مانند بهینه‌سازی جریان کار و مقایسه تصویر را ارائه می‌دهد.
🔎MedAI_academy

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

🟢 یادگیری رایگان با فرادرس — آموزش ببینید و مهارت کسب کنید!!
 
✔️ آموزش‌های رایگان «پایتون و هوش مصنوعی» 👇
 
🔹 یادگیری ماشین با پایتون – سریع و آسان در ۱۸۰ دقیقه
 
🔹 آشنایی با هوش مصنوعی + نقشه راه برای یادگیری
 
🔹 آشنایی با شغل کارشناس تحلیل داده ها + بازار کار
 
🔹 یادگیری Power BI در ۸۰ دقیقه
 
🔹 آموزش‌های رایگان پایتون - جامع و کاربردی
 
🔗 فهرست کامل فرادرس‌های رایگان [+]
 
🎉 سایر آموزش‌ها با تخفیف ویژه [+]

FaraDars - فرادرس

📚آموزش اپراتور Erosion در پردازش تصویر

◾در پردازش تصویر، عملیات فرسایش یا Erosion یکی از عملیات مورفولوژیکی اصلی است که برای تغییر شکل و ساختار اشیاء در تصویر استفاده می‌شود.

◾عملیات فرسایش ( Erosion ) در کنار عملیات انبساط (Dilation) به عنوان دو عملیات اصلی مورفولوژیکی استفاده می‌شوند و می‌توانند برای انجام سایر عملیات مورفولوژیکی مانند باز کردن (Opening) و بستن (Closing) به کار روند.

با ماهمراه باشید 🌱

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

📸ثبت تصویر دریای خاوری در سطح ماه بعد از سالها

◽مشاهده منطقه دریای خاوری ماه ، تا چند سال قبل امکان‌پذیر نبود چرا که این بخش از ماه همیشه از دید زمین پنهان باقی مانده بود.

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

🔗 نحوه عملکرد اپراتور Erosion در پردازش تصویر

◾در این عملیات، یک عنصر ساختاری (Structuring Element) به عنوان یک ماسک روی تصویر حرکت داده می‌شود. هر بار که مرکز عنصر ساختاری روی یک پیکسل سیاه قرار می‌گیرد، اگر تمام پیکسل‌های عنصر ساختاری روی پیکسل‌های سیاه قرار گیرند، آن پیکسل در تصویر خروجی سیاه باقی می‌ماند. در غیر این صورت، آن پیکسل در تصویر خروجی سفید می‌شود.

◾به عبارت دیگر، عملیات Erosion باعث می‌شود که اشیاء در تصویر کوچک‌تر شوند و جزئیات ریز آن‌ها از بین برود. این عملیات برای از بین بردن نویز و جزئیات ریز در تصاویر کاربرد دارد.

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

💬 معرفی هوش مصنوعی bluewillow.ai

◾هوش مصنوعی bluewillow یک هوش مصنوعی رایگان هست که بر پایه تصویر کار می‌کند. این هوش مصنوعی با هدف تبدیل متن به عکس توسعه داده شده است.

◾برای استفاده از این هوش مصنوعی نیاز به اکانت در سرور دیسکورد این هوش مصنوعی است تا بتوانید از این هوش مصنوعی رایگان استفاده کنید.

+ این هوش مصنوعی شباهت بسیار زیادی با هوش مصنوعی معروف میدجرنی دارد.

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

📽 دموی نسخه جدید ربات انسان‌نمای G1 که توسط شرکت چینی Unitree توسعه داده شده است.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#unitree
#G1
#robotics

🪩 تازه های پژوهش در دنیای تصویر

📚 بررسی مقاله :

📄A diferential network with multiple gated reverse attention for medical image segmentation

◾این پژوهش به‌ تازگی در nature به چاپ رسیده است. موضوع مورد بحث در این مقاله طراحی اصلی MGRAD-UNet در استخراج ویژگی‌های جامع و دقیق از طریق ذخیره سازی ویژگی‌های تفاضلی کلی و پردازش تفاضلی چند مقیاس است، که یادگیری تکراری از اطلاعات متنوع را امکان‌پذیر می‌سازد.

◾در این مقاله MGRAD-UNet در مقابل روش‌های پیشرفته موجود در دو مجموعه داده عمومی ارزیابی شده است. این روش رویکرد جدیدی را برای طراحی UNet ارائه می‌دهد.

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

🔗 مزیت معماری MGRAD-UNet نسبت به معماری UNet کلاسیک

◾معماری UNet در کاربردهای سگمنت‌بندی تصاویر پزشکی موفقیت بزرگی به دست آورده است. با این حال، این مدل‌ها هنوز با چندین چالش مواجه هستند. یکی از این چالش‌ها، از دست رفتن اطلاعات سطح پیکسل به دلیل چندین مرحله کاهش نمونه‌برداری است. همچنین، روش افزودن یا ادغام در دیکدر می‌تواند منجر به ایجاد اطلاعات اضافی شود. این محدودیت‌ها بر توانایی مکان‌یابی تأثیر می‌گذارد، تکمیل ویژگی‌های در سطوح مختلف را تضعیف می‌کند و می‌تواند به مرزهای محو شده منجر شود.

◾با این حال، ویژگی‌های تفاضلی می‌توانند این کمبودها را به طور موثری جبران کرده و عملکرد سگمنت‌بندی تصویر را به طور قابل توجهی بهبود بخشند. بنابراین، در مقاله ی پست قبل ؛ معماری MGRAD-UNet  بر اساس UNet پیشنهاد شده است.
📄 article

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