🪩 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

🔍 فراخوان هسته علمی پژوهشی پردازش تصاویر پزشکی دانشگاه علوم پزشکی هوشمند

◾ شرایط عضویت در این فراخوان به شرح زیر است:دانشجویان کارشناسی، کارشناسی ارشد و دکتری رشته‌های مرتبط.فارغ‌التحصیلان و متخصصان فعال و علاقه مند تسلط بر حداقل یک زبان برنامه‌ نویسی مرتبط (ویژه دانشجویان حوزه فنی-مهندسی)علاقه مند به کار تیمی، یادگیری مستمر و حل مساله.

http://behdasht.gov.ir/XCDa

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

🔗اندازه‌گیری خودکار یک کاربرد کلیدی هوش مصنوعی در تصاویر اولتراسوند

◾اندازه‌گیری خودکار یک کاربرد کلیدی هوش مصنوعی در تحلیل تصاویر اولتراسوند است. این پروژه‌ها معمولاً شامل دو مرحله اصلی هستند:

1️⃣ تقسیم‌بندی خودکار: این مرحله شامل جداسازی شیء مورد نظر، مانند کلیه، ندول تیروئید یا سر جنین است. روش‌های تقسیم‌بندی مبتنی بر یادگیری عمیق مانند UNet در این زمینه بسیار موثر هستند. عمیق‌تر کردن معماری شبکه می‌تواند دقت را به میزان چند درصد افزایش دهد.

2️⃣ پردازش: پس از تقسیم‌بندی شیء، این مرحله بر روی استخراج اندازه‌گیری‌های مورد نظر تمرکز دارد. این کار معمولاً نیازمند دانش قوی در پردازش تصویر یا حتی ریاضیات است تا راه‌حل‌های مؤثر و دقیقی در زمینه هوش مصنوعی ایجاد شود. موفق‌ترین روش‌های پردازش معمولاً آن‌هایی هستند که با خلاقیت و درک عمومی از اصول تحلیل تصویر توسعه یافته‌اند.

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

📽 تفاوت بین هوش‌مصنوعی، ماشین‌لرنینگ و دیپ‌لرنینگ

✔️ نگاهی ساده و آموزنده به مباحث هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#Machine_Learning
#Artificial_Intelligence
#Deep_Learning

🪩 تازه ترین مباحث هوش مصنوعی در علوم پزشکی

◾️ MultiMed: Massively Multimodal and Multitask Medical Understanding

◾️ A vision–language foundation model for the generation of realistic chest X-ray images

◾️ MEDSAGE: Enhancing Robustness of Medical Dialogue Summarization to ASR Errors with LLM-generated Synthetic Dialogues

◾️ Uncovering Knowledge Gaps in Radiology Report Generation Models through Knowledge Graphs

◾️ M4CXR: Exploring Multi-task Potentials of Multi-modal Large Language Models for Chest X-ray Interpretation

◾️ Improving Clinical Note Generation from Complex Doctor-Patient Conversation

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#Artificial_Intelligence
#AI_DeepMind
#medical
#idea

🗺نقشه راه Artificial Intelligence

🔍 این نقشه ی راه برای علاقه مندان به فیلد‌های AI و Data Science می‌باشد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#ComputerEng_Association
#Machine_Learning
#Artificial_Intelligence
#Deep_Learning

🔗 نوآوری مدل Segment Anything در دنیای زیر آب

🫧 با پیشرفت‌های مدل‌سازی در مقیاس بزرگ، مدل Segment Anything Model (SAM) و افزونه های آن برای کاربرد در کارهای مختلف تجسم زیر آب در علوم دریایی به کارگرفته شدند و تأثیر قابل‌توجهی بر پیشرفت علم داشته‌اند.

🫧 اخیراً متا ؛ Segment Anything Model2 (SAM2) را توسعه داده است که به طور قابل توجهی سرعت اجرا و دقت تقسیم بندی را در مقایسه با مدل قبلی خود بهبود می بخشد.

🫧 آزمایش ها نشان می دهد که عملکرد SAM2 به شدت به نوع درخواست های ارائه شده توسط کاربر بستگی دارد و SAM2 عملکرد عالی در حوزه تقسیم‌بندی نمونه های زیر آب داشته است.

🫧 این مقاله می تواند الهام بخش محققان برای بررسی بیشتر خانواده مدل SAM باشد.

🔎 paper

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

📚معرفی کتابخانه TensorSpace.js

◾ کتابخانهTensorSpace.js یک کتابخانه متن‌باز سه بعدی است که به توسعه‌دهندگان امکان می‌دهد تا مدل‌های یادگیری عمیق را در مرورگر مشاهده و با آن‌ها تعامل داشته باشند.

◾این کتابخانه به توسعه‌دهندگان امکان می‌دهد تا ویژوالیزاسیون‌های تعاملی سه بعدی از مدل‌های شبکه عصبی آموزش‌دیده خود ایجاد کنند، که این امر درک و توضیح معماری و رفتار مدل را آسان‌تر می‌کند.

◾برای شروع کار با TensorSpace.js، می‌توانید به وب‌سایت رسمی آن به آدرس https://tensorspace.org/ مراجعه و مستندات، نمونه‌ها و آموزش‌ها را بررسی کنید.

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