✅ معرفی #پروژه انجام شده در حوزه ی پردازش تصویر :

انتخاب ویژگی های مناسب به منظور تشخیص و طبقه بندی ضایعات ملاتوسیتیک خوش خیم از بدخیم

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

🖇 توضیحات #پروژه:

✅ پروژه "انتخاب ویژگی‌های مناسب به منظور تشخیص و طبقه‌بندی ضایعات ملاتوسیتیک خوش‌خیم از بدخیم" بر پایه تحلیل و استخراج ویژگی‌های کلیدی از تصاویر پزشکی و داده‌های بالینی مرتبط با ضایعات ملاتوسیتیک استوار است.
✅ هدف اصلی این پروژه، توسعه یک مدل هوش مصنوعی است که قادر به تمایز دقیق بین ضایعات خوش‌خیم و بدخیم باشد. برای این منظور، ابتدا ویژگی‌های مختلفی از جمله اندازه، شکل، رنگ و بافت ضایعات استخراج می‌شود. سپس با استفاده از تکنیک‌های یادگیری ماشین و الگوریتم‌های انتخاب ویژگی، بهترین ترکیب ویژگی‌ها شناسایی می‌شود تا دقت و کارایی مدل افزایش یابد.
✅ این پروژه می‌تواند به پزشکان در تشخیص زودهنگام و دقیق‌تر انواع ضایعات ملاتوسیتیک کمک کند و در نهایت به بهبود نتایج درمانی بیماران منجر شود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#project

🚀 شتاب شرکت‌های علوم زیستی به‌سوی عصر هوش مصنوعی در ۲۰۲۴!

✴ در سال ۲۰۲۴، همگرایی هوش مصنوعی و علوم زیستی به نقطه عطفی رسید. تقریباً ۱۰ میلیارد دلار در مشارکت‌های کلان سرمایه‌گذاری شده است که نشان‌دهنده تحول استراتژیک در صنعت داروسازی است.

✴ شرکت‌های بزرگی مانند Eli Lilly و Novartis در صدر این حرکت قرار دارند و به‌دنبال ادغام AI در فرآیندهای تحقیق و توسعه هستند. تغییر رویکرد از توسعه داخلی ابزارهای AI به همکاری با استارتاپ‌های نوآور مانند Isomorphic Labs، نشان‌دهنده یک پارادایم جدید در توسعه دارو است.

✴ هوش مصنوعی اکنون یک الزام در نوآوری‌های دارویی است و در تمام زنجیره ارزش دارویی نفوذ کرده است. شرکت‌ها با هدف کاهش زمان توسعه و افزایش دقت درمان‌ها، به سرعت در حال پیشرفت هستند.

✴ پیام سال ۲۰۲۴ واضح است: شرکت‌های علوم زیستی نه تنها ناظر بر انقلاب AI هستند، بلکه پیش‌برنده آن‌ نیز هستند!
🔗📃BioInformatics_Association
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

📊 معرفی #دیتاست OpenMind

🩻 دیتاست OpenMind یک مجموعه بزرگ از تصاویر MRI سه‌بعدی ناحیه سر و گردن است که شامل 114 هزار تصویر MRI می‌باشد. هدف این دیتاست فراهم کردن دسترسی به داده‌های پزشکی سه‌بعدی برای تسریع در توسعه روش‌های یادگیری خودنظارتی در این زمینه است. این داده‌ها از 800 دیتاست مختلف در پلتفرم OpenNeuro جمع‌آوری شده و شامل 23 نوع مختلف تکنیک MRI از بیش از 30 اسکنر متفاوت می‌باشد.

✅ ویژگی‌های این دیتاست :

• ارائه متادیتای طبقه‌بندی شده برای هر یک از 114 هزار تصویر

• وجود ماسک‌های deface که نواحی ناشناس را مشخص می‌کند

• وجود ماسک‌های آناتومی برای شناسایی نواحی آناتومیک

📁 ساختار دیتاست:
دیتاست به صورت مشابه با دیتاست‌های OpenNeuro ساختاربندی شده و فرمت BIDS اصلاح‌شده‌ای را دنبال می‌کند. پیشنهاد می‌شود از فایل openneuro_metadata.csv برای دسترسی به مسیرهای نسبی تصاویر و ماسک‌ها استفاده کنید.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#Dataset

🅿️ دوره پایتون

✅ قسمت ۱۹ پردازش تصویر در #پایتون

✅ حاشیه‌نویسی تصاویر و بهبود کیفیت تصاویر

۱. حاشیه‌نویسی تصاویر

حاشیه‌نویسی تصاویر یک مهارت کلیدی در کار با داده‌های بصری است و در اینجا به چند تکنیک برای ویرایش و برچسب‌گذاری تصاویر اشاره میکنیم:

- کشیدن خطوط: اضافه کردن خطوط صاف و ساده برای برجسته کردن نواحی یا مسیرهای خاص در یک تصویر.

- کشیدن دایره‌ها: ضروری برای علامت‌گذاری اشیای مورد نظر یا تعریف نواحی درون یک تصویر.

- کشیدن مستطیل‌ها: ایجاد جعبه‌های محدودکننده برای حاشیه‌نویسی یا برجسته کردن بخش‌های خاص تصویر.

- اضافه کردن متن: نوشتن متن به‌منظور توصیف یا برچسب‌گذاری بخش‌های مختلف تصویر.

۲. بهبود کیفیت تصاویر

تکنیک‌های مختلف بهبود کیفیت تصاویر درجهت  افزایش کیفیت و وضوح تصاویر :

- عملیات ریاضی: بررسی قدرت جمع و ضرب ساده برای تنظیم روشنایی، کنتراست و وضوح تصویر.

- آستانه‌گذاری و ماسک‌گذاری: تکنیک‌هایی برای تقسیم‌بندی تصاویر، ایزوله کردن نواحی خاص و تأکید بر ویژگی‌های خاص.

- عملیات بیتی: کسب insight در مورد عملیات منطقی (AND، OR، XOR) برای ترکیب یا تغییر تصاویر در سطح پیکسل.

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

🆕️ محاسبات مبتنی بر نور: تحولی در هوش مصنوعی و پردازش تصویر

💡محاسبات مبتنی بر نور در حال redefining هوش مصنوعی است و پردازش سریع‌تر و با بهره‌وری انرژی بالاتر را ممکن می‌سازد.

〽️ پردازشگرهای فوتونیکی ، مانند شبکه‌های عصبی نانوفوتونیک، قادرند محاسبات را با سرعت نور انجام دهند.

〽️ این پیشرفت، وظایفی مانند طبقه‌بندی تصویر و شناسایی اشیاء را تسریع می‌بخشد و راه را برای خودروهای خودران، ربات‌ها و دستگاه‌های پزشکی هوشمند هموار می‌کند.

〽️ درنتیجه سیستم‌های هوش مصنوعی سریع‌تر، کارآمدتر و توانمند در پردازش داده‌های پیچیده با حداقل مصرف انرژی کار می‌کند.

+ در پست بعدی به سایر مزایای این فناوری می‌پردازیم ، با ماهمراه باشید.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🆕️🖇 مزایای محاسبات مبتنی بر نور در هوش مصنوعی و پردازش تصویر

✴ در پست قبل در رابطه با محاسبات مبتنی بر نور در هوش مصنوعی و پردازش تصویر صحبت کردیم ، علاوه بر مزایایی که نام بردیم، موارد دیگری نیز هستند که جزو مزیت های این فناوری می‌باشند . درواقع روندی که با واقعیت مجازی و گرافیک سه‌بعدی همراه است، می‌تواند واقع‌گرایی و غوطه‌وری را افزایش دهد:

- نقشه‌برداری ۳D مبتنی بر LiDAR: اسکن‌های لیزری دقیق، محیط‌های مجازی واقع‌نما را برای آموزش و شبیه‌سازی ایجاد می‌کنند.

- رندرینگ تقویت‌شده با هوش مصنوعی: شبکه‌های عصبی داده‌های LiDAR را پردازش می‌کنند تا مدل‌های سه‌بعدی پویا را به صورت real-time تولید کنند و تعامل بین دنیای مجازی و فیزیکی را تسهیل کنند.

- دوربین‌های نورومورفیک: این دوربین‌ها که از دید انسان الهام گرفته‌اند، حرکات چشم را ردیابی می‌کنند و فقط آنچه را که کاربر به آن نگاه می‌کند رندر می‌کنند، که باعث کاهش تأخیر و افزایش عملکرد می‌شود.

💡نور تنها دنیای ما را روشن نمی‌کند ؛ بلکه موتور ایجاد امواج بعدی پیشرفت‌های تکنولوژیکی است.!!
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#AI_news

🖇 اجزای معماری شبکه‌ های U-Net

۱. بخش Encoder:
- این بخش از لایه‌های کانولوشنی و عملیات پایپولینگ برای استخراج ویژگی‌ها از تصویر ورودی استفاده می‌کند. این کار به تدریج وضوح فضایی را کاهش داده و تعداد کانال‌های ویژگی را افزایش می‌دهد.

۲. بخش Decoder:
   - این بخش ویژگی‌های استخراج شده را با استفاده از عملیات Up-sampling بازسازی می‌کند و آنها را با نقشه‌های ویژگی مربوطه از Encoder از طریق Skip connections ترکیب می‌کند تا وضوح تصویر اصلی را بازسازى نماید.

۳. اتصالات Skip Connections:
   - این اتصالات به Decoder اجازه می‌دهند تا به ویژگی‌های دقیق‌تر به‌دست‌آمده در Encoder دسترسی داشته باشد، که برای محلی‌سازی دقیق اشیاء در تصویر بسیار حیاتی است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🖇📉چالش های شبکه عصبی U-Net

🔗 در پست اخیر در رابطه با شبکه های عصبی کانولوشنی U-Net صحبت کردیم که یکی از مدل‌های معروف در پردازش تصویر، به ویژه در زمینه segmentaion تصویر پزشکی است. با این حال، مانند هر مدل دیگری، U-Net نیز با چالش‌هایی مواجه است. برخی از این چالش‌ها به شرح زیر است:

۱. مبحث Overfitting:

•شبکه  U-Net به دلیل معماری پیچیده‌اش ممکن است به راحتی بر روی داده‌های آموزشی بیش‌برازش (overfit) کند، به ویژه زمانی که داده‌های آموزشی محدود باشند.

۲. عدم تعادل کلاس‌ها:

• در بسیاری از کاربردها، تعداد پیکسل‌های متعلق به کلاس‌های مختلف ممکن است بسیار متفاوت باشد که می‌تواند منجر به یادگیری نامناسب مدل شود.

۳. حجم بالای محاسبات:

•شبکه U-Net به دلیل ساختار عمیق و تعداد زیاد پارامترها ممکن است به منابع محاسباتی زیادی نیاز داشته باشد.

۴. انتقال اطلاعات:

• در برخی موارد، اطلاعات مهم ممکن است در طول مراحل down-sampling و up-sampling از دست برود.
در ادامه همراه ما باشید تا در مورد روش حل این چالش ها بیشتر صحبت کنیم.!

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

✅ راه حل چالش‌های معماری U-Net

✳ در پست های قبل در رابطه با شبکه U-Net و اهمیت این معماری در پردازش تصویر صحبت کردیم . در کنار مزایای زیادی که این‌ شبکه دارد؛چالش هایی نیز وجود دارد که به آن اشاره کردیم. در ادامه به بخشی از روش های حل این چالش ها اشاره میکنیم؛

۱. استفاده از تکنیک‌های منظم‌سازی (Regularization):

• استفاده از Dropout، L2 regularization و Augmentation داده‌ها می‌تواند به کاهش overfitting کمک کند.

۲. استفاده از Weighted Loss:

• برای مقابله با عدم تعادل کلاس‌ها، می‌توان از تابع هزینه وزنی استفاده کرد که به کلاس‌های کمتر نمایان وزن بیشتری می‌دهد.

۳. استفاده از شبکه‌های پیشرفته‌تر:

• شبکه‌هایی مانند ResNet یا DenseNet می‌توانند به عنوان پایه‌ای برای U-Net استفاده شوند تا عملکرد آن را بهبود بخشند.

۴. تکنیک‌های Skip Connections:

•شبکه  U-Net از skip connections استفاده می‌کند که می‌تواند اطلاعات مهم را در طول مراحل down-sampling و up-sampling حفظ کند. این تکنیک می‌تواند با استفاده از شبکه‌های دیگر مانند FPN (Feature Pyramid Networks) تقویت شود.

۵. استفاده از شبکه‌های پیشرفته‌تر برای segmentaion:

• شبکه‌هایی مانند DeepLab، Mask R-CNN و SegNet نیز می‌توانند به عنوان جایگزین یا مکمل U-Net مورد استفاده قرار گیرند.

💡با توجه به این چالش‌ها و راه‌حل‌ها، انتخاب بهترین روش بستگی به نوع داده و کاربرد خاص دارد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ عملکرد موثر هوش مصنوعی در پزشکی :

✅ فناوری DxGPT مایکروسافت برای تشخیص بیماری‌های نادر
🔎🔗hooshio

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

🖇معرفی DxGPT مایکروسافت برای تشخیص بیماری‌های نادر

🔹 در دنیای امروز، هوش مصنوعی به یکی از ابزارهای کلیدی در حوزه پزشکی تبدیل شده است. یکی از جدیدترین دستاوردهای مایکروسافت، مدل DxGPT است که به‌طور خاص برای تشخیص بیماری‌های نادر طراحی شده است. این مدل می‌تواند به پزشکان در شناسایی بیماری‌های پیچیده و نادر کمک کند و امیدهایی را برای تحول در دنیای پزشکی به وجود آورد.

🔹 بیماری‌های نادر، به دلیل کمبود اطلاعات و تجربه در مورد آن‌ها، معمولاً با تأخیر در تشخیص و درمان روبه‌رو می‌شوند. این تأخیر می‌تواند عواقب جدی برای بیماران داشته باشد. با استفاده از مدل‌هایی مانند DxGPT، پزشکان می‌توانند به سرعت و دقت بیشتری به شناسایی این بیماری‌ها بپردازند و درمان‌های مناسب‌تری ارائه دهند.

🔹 مدل DxGPT با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین، توانایی تحلیل داده‌های پزشکی و شناسایی الگوهای پیچیده را دارد. این مدل با بهره‌گیری از پایگاه‌های داده وسیع و اطلاعات بالینی، می‌تواند به پزشکان در تصمیم‌گیری‌های بالینی کمک کند و آن‌ها را در مسیر درست هدایت کند.

🔹 پیشرفت‌های حاصل از DxGPT نه‌تنها به تشخیص دقیق‌تر بیماری‌ها کمک می‌کند، بلکه می‌تواند به کاهش هزینه‌های درمانی و افزایش کیفیت زندگی بیماران نیز منجر شود. با گسترش استفاده از هوش مصنوعی در پزشکی، انتظار می‌رود که فرآیندهای درمانی سریع‌تر و کارآمدتر شوند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#AI_news

🆕️ آینده تصویربرداری با دوربین های هوشمند صنعتی - بخش اول

✳ دوربین‌های هوشمند صنعتی با سنسور تصویر بزرگ‌تر و پردازنده‌های داخلی پیشرفته، درهای جدیدی را در دنیای تصویربرداری باز می‌کنند. این تکنولوژی‌ها به ویژه در زمینه بینایی ماشین و Embedded Vision تأثیر بسزایی دارند.

✳ ویژگی‌های کلیدی دوربین‌های هوشمند:

• یکپارچگی: این دوربین‌ها معمولاً شامل نورپردازی، سنسور تصویر، نرم‌افزار و ورودی/خروجی (I/O) هستند که طراحی و پیاده‌سازی سامانه‌های بینایی ماشین را بسیار ساده‌تر می‌کند.

• قدرت پردازش: با پیشرفت فناوری، دوربین‌های هوشمند اکنون توانایی اجرای وظایف پیچیده‌ای مانند هوش مصنوعی و یادگیری عمیق را دارند.

• نوآوری: دوربین‌های Embedded Vision جدید به عنوان دوربین‌های هوشمند عمل می‌کنند و قابلیت‌های بیشتری را به کاربران ارائه می‌دهند.

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

🆕️ آینده تصویربرداری با دوربین های هوشمند صنعتی - بخش دوم

🔍 سنسورهای بزرگ‌تر در دوربین‌های هوشمند: تحولی در بینایی ماشین

✅ در سال‌های اخیر، بازار بینایی ماشین شاهد تغییرات قابل توجهی در تکنولوژی دوربین‌ها بوده است. در گذشته، دوربین‌های هوشمند با سنسورهای تصویر در محدوده VGA تا ۲ مگاپیکسل عرضه می‌شدند. اما اکنون با افزایش نیاز به تشخیص قطعات بزرگ‌تر و عیوب کوچک‌تر، رزولوشن این دوربین‌ها به طور چشمگیری افزایش یافته است.

✅ دیوید دیکودر، معمار اصلی سیستم‌های بینایی در شرکت Integro Technologies، می‌گوید: “در ۱۲ تا ۱۸ ماه گذشته، رزولوشن سنسور تصویر دوربین‌های هوشمند به طور قابل توجهی افزایش یافته است.” در حالی که رزولوشن ۵ مگاپیکسل به عنوان یک استاندارد بالا شناخته می‌شد، به زودی این رزولوشن به عنوان یک استاندارد رایج در بازار تبدیل خواهد شد. با ورود رزولوشن‌های ۹، ۱۰، ۱۲، ۱۶ و ۲۰ مگاپیکسل، شاهد تحولی در کیفیت تصویر خواهیم بود.

✅ چندین شرکت معتبر در حال توسعه دوربین‌های هوشمند با رزولوشن ۵ مگاپیکسل هستند:

• شرکت Datalogic با سری T49

• شرکت Omron Microscan با سری MicroHAWK

• شرکت Soliton Technologies با سری NUERA

• شرکت Teledyne DALSA با سری BOA2 XA5

• شرکت Vision Components با مدل‌های مختلف از جمله VCSBC nano

• شرکت Banner Engineering با مدل VE205G1A

✅ این تغییرات نشان‌دهنده پیشرفت‌های سریع در تکنولوژی بینایی ماشین و اهمیت آن در صنایع مختلف است. با افزایش کیفیت تصاویر، امکان تشخیص دقیق‌تر و سریع‌تر عیوب و قطعات فراهم می‌شود که به بهبود فرآیندهای تولید و کنترل کیفیت کمک می‌کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#visionsystems

🟡 نظریه جذاب رتینکس در دنیای نور و تصویر

⚡نظریه رتینکس (Retinex Theory) یک مدل درباره‌ی درک رنگ و روشنایی است که در دهه ۱۹۷۰ توسط لوئیس اسکولیک و بارت وسینگ توسعه یافته است.

⚡این نظریه ادعا می‌کند که تصور ما از رنگ و روشنایی در تصویر نتیجه تعامل بین ویژگی‌های نورانی سطح شیء و نور پس‌زمینه است، نه فقط میزان نور مستقیم دریافت شده از شیء.

⚡بر اساس رتینکس، مغز انسان با مقایسه‌ی رنگ و روشنایی در قسمت‌های مختلف تصویر، کنتراست و رنگ واقعی اشیاء را تفسیر می‌کند، حتی اگر شرایط نور محیطی تغییر کند.

⚡به زبان ساده‌تر، این نظریه می‌گوید که رنگ و روشنایی در تصویر به صورت نسبتی بین قسمت‌های مختلف آن تعیین می‌شود، نه صرفا توسط شدت نور مستقیم.!

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