🆕️ 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

📈 رمزنگاری همومورفیک کامل در یادگیری ماشین

⚙ رمزنگاری همومورفیک کامل ؛
درواقع (Full Homomorphic Encryption یا FHE) امکان انجام محاسبات روی داده‌های رمزنگاری‌شده را فراهم می‌کند، به گونه‌ای که عملیات‌هایی مثل جمع و ضرب حتی در حالت رمزنگاری‌شده حفظ می‌شوند.

⚙ این ویژگی اهمیت زیادی دارد زیرا امکان آموزش و استنتاج مدل‌های یادگیری ماشین روی داده‌های رمزنگاری‌شده را فراهم می‌کند و این می‌تواند بهبود چشمگیری در حفظ حریم خصوصی داشته باشد.

⚙ در این روش، شما فقط به عنوان پردازنده یاپیاده‌کننده مدل عمل می‌کنید. شما عملیات یادگیری ماشین را انجام می‌دهید، اما نتیجه و داده‌های خام را نمی‌بینید. شرکت (آمازون در این مثال) تنها کسی است که می‌تواند داده‌ها و نتایج نهایی را رمزگشایی کند و از آن استفاده کند.

⚙ این رویکرد بسیار مناسب است برای شرکت‌هایی که داده‌های حساس و مهمی دارند و نمی‌خواهند اطلاعاتشان افشاشود ، اما همچنان می‌خواهند از هوش مصنوعی و تحلیل داده‌ها بهره‌مند شوند.
🔎📄 paper

+Recomendersystem2023
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#machin_vision
#FHE

✅ بررسی مفهوم ground truth در پردازش تصویر

🔘 در پردازش تصویر، "ground truth" به اطلاعات واقعی و دقیق در مورد یک تصویر اشاره دارد. این اطلاعات توسط متخصصان یا ابزارهای اندازه‌گیری دقیق به دست می‌آید و به عنوان مرجع واقعی برای ارزیابی و مقایسه نتایج الگوریتم‌های پردازش تصویر استفاده می‌شود.

🔘 به طور کلی، ground truth به اطلاعات واقعی و قطعی درباره یک تصویر از جمله:

۱. محدوده و موقعیت اشیا
۲. نوع و شناسایی اشیا
۳. برچسب‌های مربوط به هر قسمت تصویر
۴. ویژگی‌های مرتبط با تصویر مانند بافت، رنگ، لبه‌ها و ...

🔘 این اطلاعات به عنوان مرجع معیار برای ارزیابی عملکرد الگوریتم‌های پردازش تصویر استفاده می‌شوند. به عنوان مثال، در بحث آموزش مدل‌های یادگیری ماشینی، ground truth به عنوان داده‌های برچسب‌گذاری شده به کار می‌رود تا مشخص شود الگوریتم‌های شناسایی و آنالیز تا چه حد به نتایج واقعی نزدیک هستند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#ground_truth

✔️ عملیات پردازش تصویر در آنژیوگرافی برای تشخیص رگ‌های مسدود شده

✳ پردازش تصویر در آنژیوگرافی به پزشکان کمک می‌کند تا تشخیص بیماری‌های قلبی عروقی را بهبود بخشند و پروسه ی درمان بیماران را بهینه سازند.
این روند را می‌توان در موارد زیر خلاصه کرد:

۱. تحلیل خودکار تصاویر آنژیوگرافی:
- تشخیص و شناسایی رگ‌های خونی در تصاویر
- شناسایی نقاط مسدود یا تنگ شده در رگ‌ها
- کمک به پزشکان برای تشخیص و تجزیه و تحلیل بهتر بیماری‌های قلبی عروقی

۲. اندازه‌گیری و کمّی‌سازی شدت مسدودی رگ‌ها:
- محاسبه درصد انسداد رگ‌ها
- ارزیابی میزان تنگی و مسدودی رگ‌ها

۳. پشتیبانی از روند تشخیص و درمان:
- کمک به پزشکان برای تصمیم‌گیری در مورد روش‌های درمانی مناسب
- پایش تغییرات رگ‌ها پس از درمان

۴. آموزش و تحقیقات پزشکی:
- استفاده در آموزش پزشکان برای تشخیص بیماری‌های قلبی عروقی
- کمک به تحقیقات پزشکی در زمینه بیماری‌های قلبی عروقی
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🆕️ ترکیب تصویربرداری اپتوآکوستیک و یادگیری عمیق در پایش دیابت
📄Dermal features derived from optoacoustic tomograms via machine learning correlate microangiopathy phenotypes with diabetes stage

✴ دیابت بر عروق خونی ،در لایه های مختلف پوست، به طور متفاوت تأثیر می گذارد.با ترکیب هوش مصنوعی و فناوری تصویربرداری اپتوآکوستیک با رزولوشن بالا ، می‌توان تغییرات را در عروق خونی کوچک پوست اندازه گیری کرد.

✴ با استفاده از این روش، ۳۲ ویژگی مهم تغییرات بافت عروقی پوست در بیماران دیابتی شناسایی می شود. این ویژگی ها شامل تعداد شاخه های عروق ، قطر عروق و.. هستند.

✴ روش تصویربرداری اپتوآکوستیک به صورت غیرتهاجمی ، سریع و بدون استفاده از تشعشع یا مواد کنتراست انجام می شود. همچنین این روش قادر است به طور همزمان اطلاعاتی از لایه های مختلف پوست را ارائه دهد.

✴ بااستفاده از این روش می توان شدت و پیشرفت بیماری دیابت را ارزیابی کرد و بیماران می‌توانند به طور مداوم ، آسان و بدون نیاز به آزمایشات تهاجمی ، وضعیت خود را پایش کنند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#top_news