💬 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

🆕️ پایش بیماری بااستفاده از آنالیز سیگنال صوت

◽در پیشرفت‌های اخیر هوش مصنوعی، گوگل با استفاده از روش جدیدی که از سیگنال های صوتی برای پیش بینی علائم اولیه بیماری استفاده می کند، در حال پیشرفت است.

◽گوگل از 300 میلیون نمونه صوتی از جمله سرفه، بوییدن و تنفس سخت برای آموزش مدل پایه هوش مصنوعی خود برای شناسایی علائم بیماری هایی مانند سل استفاده کرده است.

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

🖇 معرفی کانتورها در پردازش تصویر

◽کانتورها در پردازش تصویر به مرزها یا خطوط بین مناطق متمایز در یک تصویر دیجیتال اشاره دارند.درواقع کانتورها خطوطی هستند که نقاط با شدت روشنایی یارنگ مشابه را به هم متصل می‌کنند.

◽کانتورها اطلاعات مفیدی درباره ساختار و محتوای تصویر ارائه می‌دهند.برخی از کاربردهای کانتورها در پردازش تصویر عبارتند از:

◾شناسایی اشیاء: کانتورها می‌توانند به شناسایی و جداسازی اشیاء مختلف در یک تصویر کمک کنند. این امر برای برنامه‌هایی مانند تشخیص اشیاء، ردیابی اشیاء و تجزیه و تحلیل تصویر بسیار مفید است.

◾تحلیل شکل: کانتورها می‌توانند اطلاعات مفیدی درباره شکل و هندسه اشیاء در تصویر ارائه دهند که برای برنامه‌های کاربردی مانند تشخیص الگو و طبقه‌بندی اشیاء بسیار مهم هستند.

◾پردازش تصویر:کانتورها می‌توانند به عنوان ورودی برای الگوریتم‌های پردازشی مانند فیلتراسیون، لبه‌یابی و بهبود تصویر استفاده شوند.

◾برنامه‌های کاربردی:کانتورها در برنامه‌های مختلفی مانند تشخیص چهره، تشخیص پلاک خودرو، تجزیه و تحلیل پزشکی و رباتیک کاربرد دارند.
🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🪩تازه های دنیای فناوری

◾یکی از مهم‌ترین نگرانی‌های ایمنی خودروهای الکتریکی خنک نگه داشتن باتری‌های آن‌ها است، زیرا افزایش دما می‌تواند منجر به عواقب خطرناکی شود.

◾تحقیقات جدید به رهبری یکی از دانشجویان دکتری دانشگاه آریزونا، راهی را برای پیش‌بینی و جلوگیری از افزایش دما در باتری‌های لیتیوم یونی که معمولاً برای تامین انرژی چنین خودروهایی استفاده می‌شوند، پیشنهاد می‌کند.

◾این پروژه از یادگیری ماشین برای حس کردن و پیش‌بینی دما استفاده می‌کند. شناسایی گرمای بیش از حد باتری لیتیوم یون، که به عنوان فرار حرارتی شناخته می شود میتواند در سیستم مدیریت باتری خودروهای الکتریکی ادغام شود تا از گرم شدن بیش از حد باتری جلوگیری کند و در نتیجه از رانندگان و مسافران محافظت کند.

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

🖇نقش هوش مصنوعی در تحلیل تصاویر اولتراسوند

◽هوش مصنوعی (AI) پتانسیل بسیار زیادی را در افزایش توانایی های تصویربرداری سونوگرافی، که ابزار تشخیصی گسترده ای در مراقبت های بهداشتی است، نشان داده است.

◽مدل‌های هوش مصنوعی می‌توانند پارامترهای تصویربرداری سونوگرافی را بر اساس ویژگی‌های فردی بیمار مانند ساختار بدن یا وضعیت بیماری تطبیق دهند.این مزیت می‌تواند به بهینه‌سازی کیفیت تصویر و دقت تشخیصی برای هر بیمار منجر شود و به مراقبت بهداشتی شخصی‌سازی‌شده و موثرتر بیانجامد.

◽هوش مصنوعی می‌تواند داده‌های سونوگرافی را با اطلاعات از سایر روش‌های تصویربرداری (مانند CT، MRI) یا داده‌های بالینی ادغام کند و امکان تحلیل جامع‌تر و همه‌جانبه‌تر وضعیت بیمار را فراهم می‌کند.

با ما همراه باشید 🌱

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

انجمن‌های علمی مهندسی پزشکی دانشگاه اصفهان و دانشگاه صنعتی شاهرود برگزار می‌کنند:

🔶اولین جلسه از سلسله جلسات راه من

تشخیص آریتمی های قلبی با استفاده از شبکه‌های عمیق🩺

سخنران: خانم دکتر فهیمه نسیمی
⭕️پژوهشگر پسا دکتری
⭕️ استادیار دانشگاه اصفهان پردیس خوانسار
⭕️پژوهشگر مدعو در دانشگاه استرالیا
جنوبی

📆تاریخ: دوشنبه ۱۹ شهریور ساعت ۱۷
این وبینار به صورت رایگان برگزار خواهد شد.

🛑برای ثبت نام رایگان و دریافت لینک به آیدی @BIOMEDENG_UI پیام دهید


Telegram ID:
@BIOMEDENG_UI
Instagram:
https://www.instagram.com/bmeui
➖➖➖➖➖➖➖➖➖➖
⚙️🩺کانال اطلاع رسانی انجمن علمی مهندسی پزشکی دانشگاه اصفهان
@BMEUI