🆔 @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
✅ تشخیص ناراحتی قلبی با نگاه کردن به چشم افراد توسط الگوریتم جدید AI شرکت گوگل
👩💻 نویسنده: معصومه دلگرمی
✍️ دانشمندان شرکت گوگل و زیر مجموعهی سلامت و فناوری آن، با استفاده از یادگیری ماشین روش جدیدی را برای دستیابی به میزان احتمال ابتلای افراد به بیماری قلبی کشف کردند. نرم افزار این شرکت از طریق آنالیز اسکن پشت چشم افراد، قادر به گرفتن دادهی دقیق (از جمله سن، فشار خون و اینکه آیا فرد سیگاری است یا نه) می باشد. پس از این روش می توان برای پیش بینی خطر ابتلا به بیماری های قلبی مانند حمله قلبی استفاده کرد. دقت این روش تقریباً برابر دقت روش های پیشین مرسوم است. این الگوریتم باعث می شود تا پزشکان سریعتر و راحت تر خطر ابتلا به بیماری قلبی عروقی را در یک فرد تحلیل کنند در حالی که این روش هیچگونه نیازی به آزمایش خون ندارد.
اما قبل از اینکه بتوان از این روش در یک محیط کلینیکی استفاده کرد، باید به طور کامل تست شده و از آن اطمینان پیدا کرد. مقاله ای که این کار را توصیف می کند، در مجلهی Bio medical Engineering منتشر شد. اگرچه این تحقیق قبل از بررسی به اشتراک گذاشته شده بود.
Luke Oakden-Rayrev
یک پزشک محقق در دانشگاه آدلاید (Adelaide) متخصص تجزیه تحلیل یادگیری ماشین است. وی به Verge گفت: این کار، یک کار Solid است و نشان می دهد چگونه AI می تواند به بهبود ابزارهای تشخیصی موجود کمک کند.
دانشمندان گوگل، برای آموزش این الگوریتم، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل مجموعه داده های پزشکی نزدیک به 300000 بیمار استفاده کردند. این اطلاعات شامل اسکن چشم بیمار و اطلاعات پزشکی عمومی است.
شبکه های عصبی به منظور استخراج اطلاعات برای الگوها و یادگیری علائم هشداردهنده در اسکن چشم با معیارهای مورد نیاز برای پیش بینی خطر ابتلا به بیماری قلبی عروقی (مانند: سن، فشار خون و ...) مورد استفاده قرار می گیرند.
اگرچه ایدهی نگاه کردن به چشم افراد برای قضاوت در مورد سلامت قلب، غیرمعمول به نظر می رسد اما از بدنهی یک تحقیق ثابتی برگرفته شده است.
دیوارهی داخلی پشت چشم (فوندوس) پر از عروق خونی است که منعکس کنندهی سلامت کلی بدن است. پزشکان با مطالعهی ظاهر این ناحیه با دوربین و میکروسکوپ، می توانند اطلاعاتی مانند فشار خون فرد، سن و اینکه آیا فرد سیگاری است یا خیر؛ که همه پیش بینی کنندههای مهم سلامت قلب و عروق هستند را پیش بینی کنند.
هنگامی که تصاویر شبکیهی دو بیمار ارائه شد یکی از آنها در مدت 5 سال بعد دچار یک رویداد قلبی عروقی شد و یکی از آنها نه، الگوریتم گوگل قادر به تشخیص این اتفاق بود. این روش تنها اندکی از روش Score بدتر بود. روش Score یک متدی برای پیش بینی خطر ابتلا به بیماری قلبی عروقی است که نیاز به آزمایش خون دارد و در 72 درصد از موارد به درستی پیش بینی می کند.
Alun Hughes
استاد فیزیولوژی و فارماکولوژی در دانشگاه UCL لندن گفت: رویکرد گوگل به دلیل تاریخچهی طولانی ای که در زمینه پیش بینی خطر ابتلا به بیماری قلبی عروقی دارد، معتبر و مؤثر است.
وی اضافه کرد هوش مصنوعی توانایی افزایش سرعت در تجزیه و تحلیل پزشکی را دارد اما هشدار داده که الگوریتم قبل از آنکه مورد اعتماد قرار بگیرد، باید ابتدا مورد آزمایش قرار بگیرد.
برای گوگل، این فراتر از یک روش جدید برای پیش بینی خطر ابتلا به ناراحتی قلبی است. در واقع راهی است به سوی یک کشف علمی جدید.
اکثر الگوریتم های پزشکی، به عنوان جایگزینی برای ابزارهای تشخیصی موجود ایجاد می شوند (مانند تشخیص سرطان پوست). این الگوریتم روش های جدیدی را برای تجزیه و تحلیل داده های پزشکی موجود پیدا کرده است.
با وجود داده های کافی، امیدوار است که هوش مصنوعی بتواند بینش کاملاً پزشکی جدیدی را بدون جهت انسانی ایجاد کند.
احتمالاً یکی از دلایل اینکه گوگل چنین پروژه هایی را به صورت خلاقانه ایجاد کرده، جمع آوری پرونده های پزشکی 10000 نفر طی ۴ سال است.
🆔 @partoha
👩💻 نویسنده: معصومه دلگرمی
✍️ دانشمندان شرکت گوگل و زیر مجموعهی سلامت و فناوری آن، با استفاده از یادگیری ماشین روش جدیدی را برای دستیابی به میزان احتمال ابتلای افراد به بیماری قلبی کشف کردند. نرم افزار این شرکت از طریق آنالیز اسکن پشت چشم افراد، قادر به گرفتن دادهی دقیق (از جمله سن، فشار خون و اینکه آیا فرد سیگاری است یا نه) می باشد. پس از این روش می توان برای پیش بینی خطر ابتلا به بیماری های قلبی مانند حمله قلبی استفاده کرد. دقت این روش تقریباً برابر دقت روش های پیشین مرسوم است. این الگوریتم باعث می شود تا پزشکان سریعتر و راحت تر خطر ابتلا به بیماری قلبی عروقی را در یک فرد تحلیل کنند در حالی که این روش هیچگونه نیازی به آزمایش خون ندارد.
اما قبل از اینکه بتوان از این روش در یک محیط کلینیکی استفاده کرد، باید به طور کامل تست شده و از آن اطمینان پیدا کرد. مقاله ای که این کار را توصیف می کند، در مجلهی Bio medical Engineering منتشر شد. اگرچه این تحقیق قبل از بررسی به اشتراک گذاشته شده بود.
Luke Oakden-Rayrev
یک پزشک محقق در دانشگاه آدلاید (Adelaide) متخصص تجزیه تحلیل یادگیری ماشین است. وی به Verge گفت: این کار، یک کار Solid است و نشان می دهد چگونه AI می تواند به بهبود ابزارهای تشخیصی موجود کمک کند.
دانشمندان گوگل، برای آموزش این الگوریتم، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل مجموعه داده های پزشکی نزدیک به 300000 بیمار استفاده کردند. این اطلاعات شامل اسکن چشم بیمار و اطلاعات پزشکی عمومی است.
شبکه های عصبی به منظور استخراج اطلاعات برای الگوها و یادگیری علائم هشداردهنده در اسکن چشم با معیارهای مورد نیاز برای پیش بینی خطر ابتلا به بیماری قلبی عروقی (مانند: سن، فشار خون و ...) مورد استفاده قرار می گیرند.
اگرچه ایدهی نگاه کردن به چشم افراد برای قضاوت در مورد سلامت قلب، غیرمعمول به نظر می رسد اما از بدنهی یک تحقیق ثابتی برگرفته شده است.
دیوارهی داخلی پشت چشم (فوندوس) پر از عروق خونی است که منعکس کنندهی سلامت کلی بدن است. پزشکان با مطالعهی ظاهر این ناحیه با دوربین و میکروسکوپ، می توانند اطلاعاتی مانند فشار خون فرد، سن و اینکه آیا فرد سیگاری است یا خیر؛ که همه پیش بینی کنندههای مهم سلامت قلب و عروق هستند را پیش بینی کنند.
هنگامی که تصاویر شبکیهی دو بیمار ارائه شد یکی از آنها در مدت 5 سال بعد دچار یک رویداد قلبی عروقی شد و یکی از آنها نه، الگوریتم گوگل قادر به تشخیص این اتفاق بود. این روش تنها اندکی از روش Score بدتر بود. روش Score یک متدی برای پیش بینی خطر ابتلا به بیماری قلبی عروقی است که نیاز به آزمایش خون دارد و در 72 درصد از موارد به درستی پیش بینی می کند.
Alun Hughes
استاد فیزیولوژی و فارماکولوژی در دانشگاه UCL لندن گفت: رویکرد گوگل به دلیل تاریخچهی طولانی ای که در زمینه پیش بینی خطر ابتلا به بیماری قلبی عروقی دارد، معتبر و مؤثر است.
وی اضافه کرد هوش مصنوعی توانایی افزایش سرعت در تجزیه و تحلیل پزشکی را دارد اما هشدار داده که الگوریتم قبل از آنکه مورد اعتماد قرار بگیرد، باید ابتدا مورد آزمایش قرار بگیرد.
برای گوگل، این فراتر از یک روش جدید برای پیش بینی خطر ابتلا به ناراحتی قلبی است. در واقع راهی است به سوی یک کشف علمی جدید.
اکثر الگوریتم های پزشکی، به عنوان جایگزینی برای ابزارهای تشخیصی موجود ایجاد می شوند (مانند تشخیص سرطان پوست). این الگوریتم روش های جدیدی را برای تجزیه و تحلیل داده های پزشکی موجود پیدا کرده است.
با وجود داده های کافی، امیدوار است که هوش مصنوعی بتواند بینش کاملاً پزشکی جدیدی را بدون جهت انسانی ایجاد کند.
احتمالاً یکی از دلایل اینکه گوگل چنین پروژه هایی را به صورت خلاقانه ایجاد کرده، جمع آوری پرونده های پزشکی 10000 نفر طی ۴ سال است.
🆔 @partoha
پردازش تصویر.pdf
840.5 KB
✅سلسله مباحث معرفی مهندسی پرتوپزشکی و مشاغل آن
جلسه دوم: پردازش تصویر
سخنران: جناب آقای جلیلی
🆔 @partoha
جلسه دوم: پردازش تصویر
سخنران: جناب آقای جلیلی
🆔 @partoha