🔗 فیلتر ترکیبی هوشمند فازی برای حذف نویز تصاویر پزشکی شامل مراحل زیر است:

1️⃣. پردازش پیش زمینه:
- حذف نویزهای گوسی و ضربه ای اولیه با استفاده از فیلترهای کلاسیک.
- بهبود کنتراست و برجسته سازی ساختارهای لبه ها.

2️⃣. فیلترینگ فازی:
- استفاده از منطق فازی برای تشخیص نویز و ساختارهای لبه.
- تعریف توابع عضویت مناسب برای نویز و لبه ها.
- اعمال فیلترینگ فازی برای جداسازی نویز از اطلاعات مفید تصویر.

3️⃣. فیلترینگ هوشمند:
- استفاده از تکنیک های یادگیری ماشین برای تنظیم پارامترهای فیلترینگ فازی.
- آموزش شبکه های عصبی یا سایر مدل های یادگیری بر اساس تصاویر نمونه.
- بهینه سازی پارامترهای فیلتر برای حداکثر حذف نویز و حفظ جزئیات تصویر.

4️⃣. ترکیب فیلترها:
- ترکیب نتایج فیلترهای کلاسیک، فازی و هوشمند برای ارائه یک فیلتر ترکیبی قدرتمند.
- استفاده از روش های وزن دهی یا ادغام برای ترکیب خروجی های فیلترها.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#fuzzy_logic
#denoising

🆕️ سگمنت تصاویر بااستفاده از Cellpose

📄cellpose: a generalist algorithm for cellular segmentation with human-in-the-loop capabilities

✅ روش Cellpose یه الگوریتم است که در ابتدا برای تقسیم‌بندی سلول‌ها ساخته شد و  بدون نیاز به تنظیمات پیچیده می‌تواند انواع تصاویر سلولی را به خوبی تحلیل کند.

✅ نسخه جدید ، Cellpose 3 ، حتی اگه تصویر پر از نویز باشد یا کیفیتش پایین باشد ، می‌تواند آن را بهبود بخشد و بعد هم خیلی خوب تقسیم‌بندی را انجام دهد.
cvision
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#segmentation

🚀 عملکرد بی نظیر Roboflow در بینایی ماشین!

✅ یکی از اسیستنت های مهم در زمینه‌ی بینایی ماشین (Computer Vision) ، ابزار Roboflow می باشد.

✅ مهم‌ترین قابلیتی که Roboflow به متخصصان CV ارائه می‌دهد، قابلیت Annotate کردن تصاویر و آماده‌سازی و میزبانی دیتاست‌ است.

✅ این ابزار از مدل‌های بنیادین مثل GroundingDINO و SAM استفاده کرده و تا جای ممکن، عمل Annotation رو به‌صورت خودکار انجام می‌دهد.

✅ اخیرا SAM2 به روبوفلو اضافه شد که عملكرد فوق‌العاده آن را در تصویر می‌بینید.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#Annotation
#Roboflow
#cvision

🆕️معرفیViz.aiبه عنوان اپلیکیشن تشخیصی بر پایه AI

📈 این نرم‌افزار از هوش مصنوعی برای تجزیه و تحلیل تصاویر پزشکی مانند سی.تی.اسکن یا ام.آر.آی و شناسایی علائم سکته استفاده می‌کند و می‌تواند بلافاصله به پزشکان هشدار دهد تا بتوانند در اسرع وقت درمان را آغاز کنند.

📈 در مجموع، هوش مصنوعی با ارائه ابزارهای جدید به پزشکان، پرستاران، جراحان و سایر کارکنان درمان برای بهبود نتایج بیماران، انقلابی در زمینه پزشکی و مراقبت‌های بهداشتی ایجاد کرده است. 

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

🆕️ معرفی Lumiere به عنوان مدل Space -Time Diffusion در تولید ویدئو

📊 مدل Lumiere به روشی برای تولید ویدئو با استفاده از مدل گسترش فضا-زمان اشاره دارد. این روش از مدل های جدید یادگیری عمیق برای تولید محتوای ویدئویی استفاده می کند.

📊 در مجموع، Lumiere یک رویکرد جدید و نوآورانه در زمینه تولید ویدئو است که با استفاده از مدل های یادگیری عمیق، امکان ایجاد ویدئوهای واقع‌گرایانه‌تر و قابل کنترل‌تر را فراهم می‌کند.

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

🔗 نحوه ی عملکرد پردازشی مدل Lumiere

1️⃣. مدل گسترش فضا-زمان : این مدل به جای تولید تصاویر ثابت، به صورت همزمان به تولید تصاویر وفرآیند تغییر آنها در طول زمان می پردازد. این امکان را فراهم می‌کند که ویدئوهای واقع‌گرایانه‌تری تولید شوند.

2️⃣. ساختار چندمرحله‌ای: این مدل دارای چندین مرحله است که در هر مرحله، برخی از ویژگی های ویدئو تولید می‌شوند و در نهایت با ترکیب این مراحل، ویدئوی نهایی به دست می‌آید.

3️⃣. کنترل محتوای ویدئو: این مدل امکان کنترل محتوای ویدئو را فراهم می‌کند، به طوری که می‌توان ویژگی‌های خاصی را در ویدئوی تولید شده اعمال کرد.

+ این روش می‌تواند در زمینه‌های مختلفی مانند تولید محتوای ویدئویی، انیمیشن، واقعیت مجازی و افزوده و سایر موارد مربوط به ویدئو کاربرد داشته باشد.

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

🆕️ هوش مصنوعی گزارش‌های رادیولوژی بیماران را به صورت ویدئویی برای آن‌ها توضیح می‌دهد!

◻اگر تجربه‌ی دریافت و مشاهده‌ی گزارش‌های رادیولوژی را داشته باشید، حتما می‌دانید که تفسیر آن‌ها کار هر کسی نیست و بیماران هم که اغلب دانش پایه‌ای لازم برای تفسیر این گزارشات را ندارند، همواره با مشکل «ندانستن معنای گزارشی که در دست‌شان است» روبه‌رو هستند.

◻اما حالا دیگر نیازی به نگرانی درمورد این مسئله نیست! مدل ReXplain [که چند روز پیش در مقاله‌ای از پژوهشگران دانشگاه هاروارد معرفی شد] قرار است آن‌ها را به ویدئوهای کوتاه و قابل فهمی برای بیماران تبدیل کند تا متوجه مسئله‌شان شوند و نهایتا هم تجربه‌ی بهتری از کل مسیر درمانی‌شان داشته باشند.

با ما همراه باشید🌱
🔎📃medxmedia
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning
#top_news

🔗 نحوه عملکرد مدل ReXplain در ایجاد گزارش ویدئویی از تصاویر رادیولوژی 

این مدل، از سه بخش مختلف تشکیل شده است:

1️⃣ . بخش اول، یک مدل زبانی بزرگ (LLM) است که گزارش‌های پیچیده‌ی رادیولوژی را به زبانی ساده برمی‌گرداند. این زبان ساده قرار است بعدا به‌عنوان متن ویدئو مورد استفاده قرار بگیرد!

2️⃣ . بخش دوم، یک مدل segmentation است که تصاویر CT را بررسی می‌کند و مکان‌هایی که بیمار در آن مشکل دارد را مشخص (segment) می‌کند. این تصاویر مشخص‌شده، قرار است در ویدئویی که نهایتا به بیمار نمایش داده خواهد شد مورد استفاده قرار بگیرند!

3️⃣ . بخش سوم هم یک مدل avatar-generator است که قرار است شخصیتی مجازی را طراحی کند تا مجری ویدئویی باشد که بیمار قرار است به زودی آن را مشاهده کند!

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

💬 آموزش تبدیل Hough در پردازش تصویر

♦️تبدیل هاف در پردازش تصویر، تکنیکی است که برای شناسایی و استخراج خطوط و لبه‌های موجود در یک تصویر استفاده می‌شود. این تبدیل به نام مخترع خود، پیتر هاف، نامگذاری شده است.

♦️در تبدیل هاف، هدف این است که خطوط موجود در یک تصویر را به صورت معادلات ریاضی تعریف کرده و آن‌ها را شناسایی کنیم. این تکنیک به طور گسترده در برنامه‌های پردازش تصویر مانند شناسایی اشکال هندسی، تشخیص پلاک خودرو و همچنین در سیستم‌های ناوبری خودکار استفاده می‌شود.

♦️ مراحل تبدیل هاف به شرح زیر است:

۱. پیش‌پردازش تصویر برای افزایش کنتراست و حذف نویز.
۲. استخراج لبه‌های تصویر با استفاده از فیلترهای لبه‌یاب.
۳. تعریف معادلات خطی برای خطوط موجود در تصویر.
۴. شناسایی خطوط با استفاده از رای‌گیری در فضای پارامتری.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🆕️ معرفی دوربین داخل دهانی C50 در دندانپزشکی

✅ دوربین داخل دهانی C50 یک دوربین پزشکی است که به منظور بررسی و تصویربرداری از داخل دهان استفاده می‌شود. برخی ویژگی‌های این دوربین به شرح زیر است:

1️⃣. طراحی کوچک و ارگونومیک: این دوربین به اندازه کافی کوچک است که بتوان آن را به راحتی در دهان قرار داد.

2️⃣. کیفیت تصویر بالا: دوربین C50 قادر به ثبت تصاویر با کیفیت بالا و جزئیات زیاد از داخل دهان است.

3️⃣. سیستم روشنایی داخلی: این دوربین دارای چراغ‌های LED داخلی است که به بهبود کیفیت تصاویر کمک می‌کند.

4️⃣. اتصال به رایانه: امکان اتصال دوربین به رایانه و انتقال تصاویر به آن وجود دارد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning
#C50

معرفی الگوریتم SRG (Seeded Region Growing) 

◾الگوریتم SRG یک روش پردازش تصویر است که برای تجزیه و تحلیل و بخش‌بندی تصاویر استفاده می‌شود.توانمند در بخش‌بندی فعال است و به نقطه مرجع (seed) نیاز دارد و بر اساس شباهت ویژگی‌های پیکسل‌های مجاور به نقطه مرجع، منطقه را بخش‌بندی می‌کند.

◾این روش به شرح زیر است:

۱. نقطه مرجع (seed) را انتخاب می‌کنیم: این نقطه مرجع معمولاً توسط کاربر انتخاب می‌شود و نشان‌دهنده یک منطقه از تصویر است که می‌خواهیم آن را بخش‌بندی کنیم.

۲. مشخصات نقطه مرجع را بررسی می‌کنیم: ویژگی‌های این نقطه مانند رنگ، بافت و ... را محاسبه می‌کنیم.

۳. منطقه اطراف نقطه مرجع را بررسی می‌کنیم: پیکسل‌های مجاور نقطه مرجع را بررسی می‌کنیم و مشخصات آن‌ها را با نقطه مرجع مقایسه می‌کنیم.

۴. پیکسل‌هایی که شبیه به نقطه مرجع هستند را به منطقه اضافه می‌کنیم: اگر ویژگی‌های پیکسل‌های مجاور با نقطه مرجع مطابقت داشته باشد، آن‌ها را به منطقه اضافه می‌کنیم.

۵. مرز منطقه را به روز می‌کنیم: پس از اضافه کردن پیکسل‌ها به منطقه، مرز جدید منطقه را محاسبه می‌کنیم.

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

🆕️ قدرت تحول‌آفرین هوش مصنوعی در دندان‌پزشکی

✅ ادغام فناوری‌های هوش مصنوعی شیوه‌های کار دندان‌پزشکی را تغییر داده، مراقبت از بیماران را بهبود می‌بخشد، روند کارها را ساده می‌کند و دقت تشخیصی را افزایش می‌دهد. با پیشرفت بیشتر هوش مصنوعی، فرصت‌های جدیدی برای دندان‌پزشکان و بیماران به وجود می‌آید.از جمله؛

۱. تشخیص و تصویربرداری بهبود یافته

۲. برنامه‌های درمانی شخصی‌سازی‌شده

۳. خودکارسازی وظایف روزمره اداری

۴. چت‌بات‌ها و دستیاران مجازی

۵. آموزش و تعلیم در آموزش دانشجویان و پزشکان

۶. تحلیل‌های پیش‌بینی برای مراقبت پیشگیرانه

۷. تجربه بهبود یافته بیماران

✅ به طور کلی، انتظار می‌رود هوش مصنوعی در دندان‌پزشکی به مراتب بیشتر ادغام شده و در بهبود دقت، شخصی‌سازی و پیشگیری از بیماری‌های دهان و دندان تاثیرگذار باشد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#AI

🔬الگوریتم های سگمنت کردن تصاویر میکروسکوپی

🔘برای سگمنت کردن سلولها در تصاویر میکروسکوپی، چند الگوریتم پرکاربرد وجود دارد که میتوانند به خوبی این وظیفه را براساس نوع تصویر و شکل سلولها انجام دهند:

✔. آستانه‌گذاری (Thresholding): این روش ساده‌ترین روش سگمنت کردن است که با تعیین یک آستانه مناسب، سلول‌ها را از پس‌زمینه جدا می‌کند.

✔. تشخیص لبه (Edge Detection): با استفاده از فیلترهای لبه‌یاب مانند فیلتر سوبل یا پریویت، می‌توان حدود سلول‌ها را شناسایی و به خوبی سگمنت کنند.

✔. روش‌های مبتنی بر Region Growing : این روش‌ها با شناسایی نقاط هسته (seed points) و گسترش ناحیه اطراف آن‌ها، سلول‌ها را سگمنت می‌کنند.

✔.روش‌های مبتنی بر مدل‌ (Model-based): این روش‌ها با تعریف مدل‌های هندسی برای سلول‌ها و تطبیق آن‌ها بر تصویر، سگمنت کردن را انجام می‌دهند.

✔.روش‌های یادگیری ماشین (Machine Learning): با استفاده از الگوریتم‌های یادگیری ماشین مانند شبکه‌های عصبی کانولوشنی (CNN)، می‌توان به طور خودکار سلول‌ها را سگمنت کرد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🪩 معرفی پلتفرم Huma ، پیشتاز در سلامت دیجیتال

✅ شرکت Huma در سال ۲۰۱۱ توسط آقای دانوش وحدت در شهر لندن ، با هدف "تسریع پذیرش راه‌حل‌های دیجیتال در مراقبت سلامت و پژوهش" راه اندازی شد.

✅ پلتفرم Huma که به عنوان یکی از پیشروان حوزه‌ی TeleHealth شناخته می‌شود، تا به حال ۲۷+ میلیون بیمار را در ۳۰۰۰+ بیمارستان در سراسر دنیا مورد حمایت قرار داده است، ظرفیت کلینیک‌ها را دو برابر و میزان پذیرش مجدد بیماران (Readmission Rate) را تا حدود ۳۰٪ کاهش داده است!

✅ این شرکت، با جذب سرمایه‌ی ۸۰ میلیون دلاری که اخیرا داشته، به ارزش حدودی یک میلیارد دلار (یونیکورن) رسیده است و از بزرگ‌ترین شرکت‌های حوزه‌ی سلامت دیجیتال محسوب می‌شود. همچنین به تازگی، با خرید شرکت eConsult، در حال راه‌اندازی یک Workspace جدید برای سیستم‌های درمانی است.

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

🆕️ عملکرد بی نظیر مدل SLIViT در اسکن های پیچیده پزشکی

✳ محققان دانشگاه UCLA مدل جدیدی به نام SLIViT را در حوزه تصویربرداری پزشکی معرفی کردند. این مدل در حد یک متخصص پزشکی تصاویر MRI، CT Scan و اولترا ساند را با سرعت بسیار بیشتر تحلیل می‌کند.

✳ این مدل جدید هوش مصنوعی در اسکن های پیچیده پزشکی، ۵۰۰۰ بار سریع تر است و به تازگی رونمایی شده است.

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

✴ معرفی نرم افزار RVG WOODPECKER

✅ نرم افزار RVG WOODPECKER و فسفرپلیت Ai Dental ، توسط شرکت وودپیکر معرفی شده است و در تجهیزات دندانپزشکی زیر کاربرد دارد:

▫️سنسور RVG وودپیکر مدل i sensor
▫️فسفرپلیت free scan
▫️فسفرپلیت i scan

✅ برنامه WOODPECKER یک نرم‌افزار با رابط کاربری ساده و کاربرپسند است که امکاناتی از جمله ویرایش تصاویر و ایجاد پرونده‌های بیمار را ارائه می‌دهد.

✅ این برنامه تنها با یک دکمه امکان اسکن را فراهم می‌آورد و دارای ویژگی‌های پردازش تصویر است که شامل نمایش، تصحیح، اندازه‌گیری و شارپنینگ تصویر می‌باشد.

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

🚀 استودیو LangGraph : اولین محیط یکپارچه توسعه  هوش مصنوعي

◾استودیو LangGraph یک IDE تخصصی برای Visualization، Interaction و Debugging کردن برنامه‌های پیچیده Agentic فراهم می‌کند.

◾با استفاده از استودیو LangGraph، می‌توانید به راحتی برنامه‌های Agentic خود را روی دسکتاپ مشاهده و با آن‌ها تعامل کنید و همچنین مشکلات موجود در آن‌ها را برطرف کنید. 

◾اگر به دنبال ابزاری قدرتمند برای مدیریت و بهبود برنامه‌های Agentic خود هستید، استودیو LangGraph راه‌حلی مناسب برای شماست و همچين ميتواند كار شما را براي كاركردن با مدل هاي زباني بزرگ راحت كند.

🌐 website

🔎 Recomendersystem2023
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#Artificial_Intelligence
#top_news

🪩 کنترل هوشمند جاده ها و ترافیک با استفاده از بینایی ماشین
🔎MrArtificialintelligence

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

🔬بینایی انسان الگویی برای مدل گسترش میدان‌های دریافت (ERF) Expansion of Receiving Fields

✳ در سیستم بینایی انسان، مجموعه‌ای از میدان‌های دریافت با اندازه‌های مختلف ؛ به برجسته‌سازی ناحیه‌ای نزدیک به نقطه کانونی شبکیه کمک می‌کنند.

✳ آزمایش‌های علوم اعصاب نشان داده‌اند که این ناحیه به تغییرات فضایی کوچک بسیار حساس است.

✳ همزمان، موفقیت مدل SegNeXt در وظایف segmentation معنایی نشان داده است که استفاده از هسته‌های کانولوشن با اندازه‌های مختلف به‌طور موازی می‌تواند نمایه‌هایی از ویژگی های متمایز بیشتری را در برگیرد.

✳ با الهام از تحقیقات موجود، بلوک ERF در این چارچوب معرفی شده است که از سه شاخه موازی با اتصالات باقیمانده و مکانیزم توجه کانولوشنی تشکیل شده است.

✳ هدف ساختار بلوک ERF استخراج مؤثر اطلاعات در ناحیه آسیب‌دیده از تصویر است در حالی که کارایی محاسباتی را مدنظر قرار دهد.
🔎📄 article

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