کتاب:
"Image Processing in Radiation Therapy"
نویسنده: Kristy K. Brock
کتاب پردازش تصویر در رادیوتراپی
زبان انگلیسی
سال انتشار 2013👇
🆔 @partoha
"Image Processing in Radiation Therapy"
نویسنده: Kristy K. Brock
کتاب پردازش تصویر در رادیوتراپی
زبان انگلیسی
سال انتشار 2013👇
🆔 @partoha
Image Processing in Radiotherapy.pdf
28.5 MB
کتاب:
"Image Processing in Radiation Therapy"
نویسنده: Kristy K. Brock
کتاب پردازش تصویر در رادیوتراپی
زبان انگلیسی
سال انتشار 2013
🆔 @partoha
"Image Processing in Radiation Therapy"
نویسنده: Kristy K. Brock
کتاب پردازش تصویر در رادیوتراپی
زبان انگلیسی
سال انتشار 2013
🆔 @partoha
🆔 @partoha
قابل توجه دوستانی که با نرم افزار CST شبیه سازی انجام میدهند. مجموعه وبینارهای رایگان شرکت نرم افزار CST:
⚡️Multiphysics Simulation of MRI Systems: DC, Gradient and RF Coils⚡️
🔥زمان و تاریخ برگزاری: پنجشنبه 26 مهر. ساعت 7.30 عصر🔥
لینک ثبت نام👇👇👇
https://www.cst.com/events/eseminars/mri-2018?utm_source=cst&utm_medium=email&utm_content=kickoff&utm_campaign=series2018
⚡️Photomultiplier Simulation⚡️
🔥زمان و تاریخ برگزاری: پنجشنبه 29 شهریور. ساعت 7.30 عصر🔥
لینک ثبت نام👇👇👇
https://www.cst.com/events/eseminars/photomultiplier-2018?utm_source=cst&utm_medium=email&utm_content=kickoff&utm_campaign=series2018
🆔 @partoha
قابل توجه دوستانی که با نرم افزار CST شبیه سازی انجام میدهند. مجموعه وبینارهای رایگان شرکت نرم افزار CST:
⚡️Multiphysics Simulation of MRI Systems: DC, Gradient and RF Coils⚡️
🔥زمان و تاریخ برگزاری: پنجشنبه 26 مهر. ساعت 7.30 عصر🔥
لینک ثبت نام👇👇👇
https://www.cst.com/events/eseminars/mri-2018?utm_source=cst&utm_medium=email&utm_content=kickoff&utm_campaign=series2018
⚡️Photomultiplier Simulation⚡️
🔥زمان و تاریخ برگزاری: پنجشنبه 29 شهریور. ساعت 7.30 عصر🔥
لینک ثبت نام👇👇👇
https://www.cst.com/events/eseminars/photomultiplier-2018?utm_source=cst&utm_medium=email&utm_content=kickoff&utm_campaign=series2018
🆔 @partoha
Cst
Multiphysics Simulation of MRI Systems | SIMULIA eSeminar
Electromagnetic and multiphysics simulation is often the only way to analyze the complex field distribution inside the body resulting from the use of systems that expose the body to electromagnetic fields. Learn more about the role of simulation in the use…
@Partoha angiography-coronary[1].png
310.5 KB
Coronary Radiology 🆔 @Partoha
@Partoha_[1].jpg
35.3 KB
Coronary Radiology 🆔 @Partoha
@Partoha coronary radiology 2009.pdf
61.4 MB
📔📔📔Coronary Radiology 🆔 @Partoha
✅انسان یا ماشین: هوش مصنوعی در تشخیص سرطان پوست از متخصصین پوست هم بهتر عمل می کند
👩🏫نویسنده: هما کاشفی امیری
🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.
🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.
🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.
🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.
🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.
🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانومها را تشخیص داد.
🆔 @partoha
👩🏫نویسنده: هما کاشفی امیری
🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.
🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.
🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.
🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.
🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.
🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانومها را تشخیص داد.
🆔 @partoha