✅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
🔺 شروع ثبت نام آزمون MSRT مهرماه 97 از روز یکشنبه
🔹 ثبت نام پنجمین آزمون زبان انگلیسی سال 1397 وزارت علوم، تحقیقات و فناوری از روز یکشنبه 25 شهریور ماه آغاز خواهد شد.
🆔 @partoha
🔹 ثبت نام پنجمین آزمون زبان انگلیسی سال 1397 وزارت علوم، تحقیقات و فناوری از روز یکشنبه 25 شهریور ماه آغاز خواهد شد.
🆔 @partoha
💢🌐 قابل توجه دانشجویان، اساتید، علاقهمندان و پژوهشگران رشته مهندسی پرتوپزشکی
💫در راستای ایجاد فرهنگ تبادل اطلاعات و دانش گستری، گروه تلگرامی سامانه جامع پرتوپزشکان در روز دوشنبه مورخ ۱۳۹۷/۰۶/۲۶ راس ساعت ۲۲ از جناب آقای دکتر عشقیفرد دعوت نموده تا کنفراسی با عنوان:
✨♻️ کاربرد لیزر در پزشکی
ارائه دهند و در انتها به پرسش و پاسخ علاقهمندان گرامی بپردازند.
💯🙏"لطفا خواهشمند است در زمان ارائه کنفرانس, یعنی راس ساعت ۲۲ تا پایان ارائه, #به_هیچ_عنوان_پستی_گذاشته_نشود"🙏
✅ جهت هرگونه سوال یا مطلب خاص, بعد از اتمام کنفرانس, برای جلوگیری از تعدد پیامها و هدفمند شدن مباحث، سوالاتتون رو بصورت کامل در یک پیام بفرستید🙏
❌ حتی الامکان سوالات در PV سخنرانان مطرح نشوند.
☑️ به منظور شرکت در گفتگو به لینک گروه سامانه جامع پرتوپزشکان مراجعه نمایید👇
https://t.me/joinchat/DVDd90PDyNpHh2nza2h6NQ
💫در راستای ایجاد فرهنگ تبادل اطلاعات و دانش گستری، گروه تلگرامی سامانه جامع پرتوپزشکان در روز دوشنبه مورخ ۱۳۹۷/۰۶/۲۶ راس ساعت ۲۲ از جناب آقای دکتر عشقیفرد دعوت نموده تا کنفراسی با عنوان:
✨♻️ کاربرد لیزر در پزشکی
ارائه دهند و در انتها به پرسش و پاسخ علاقهمندان گرامی بپردازند.
💯🙏"لطفا خواهشمند است در زمان ارائه کنفرانس, یعنی راس ساعت ۲۲ تا پایان ارائه, #به_هیچ_عنوان_پستی_گذاشته_نشود"🙏
✅ جهت هرگونه سوال یا مطلب خاص, بعد از اتمام کنفرانس, برای جلوگیری از تعدد پیامها و هدفمند شدن مباحث، سوالاتتون رو بصورت کامل در یک پیام بفرستید🙏
❌ حتی الامکان سوالات در PV سخنرانان مطرح نشوند.
☑️ به منظور شرکت در گفتگو به لینک گروه سامانه جامع پرتوپزشکان مراجعه نمایید👇
https://t.me/joinchat/DVDd90PDyNpHh2nza2h6NQ
Telegram
سامانه جامع پرتوپزشکان
اعضای این سامانه شامل اساتید دانشگاه، پرتو کاران و کارشناسان مرتبط با امور پرتویی می باشند که با هدف ارتقای سطح علمی این جامعه ایجاد شده
است.
Link: https://t.me/joinchat/DVDd90PDyNoW0UA8DpXZ2Q
است.
Link: https://t.me/joinchat/DVDd90PDyNoW0UA8DpXZ2Q
مهندسی پرتو پزشکی و هسته ای ایران pinned « 💢🌐 قابل توجه دانشجویان، اساتید، علاقهمندان و پژوهشگران رشته مهندسی پرتوپزشکی 💫در راستای ایجاد فرهنگ تبادل اطلاعات و دانش گستری، گروه تلگرامی سامانه جامع پرتوپزشکان در روز دوشنبه مورخ ۱۳۹۷/۰۶/۲۶ راس ساعت ۲۲ از جناب آقای دکتر عشقیفرد دعوت نموده تا کنفراسی…»
"Detect Cancer Faster with AI Demo at Lenovo Transform 2.0"
🔰🔰🔰🔰🔰🔰🔰🔰🔰🔰
https://youtu.be/jDr66auxJAc
🆔 @partoha
🔰🔰🔰🔰🔰🔰🔰🔰🔰🔰
https://youtu.be/jDr66auxJAc
🆔 @partoha
YouTube
Detect Cancer Faster with AI Demo at Lenovo Transform 2.0
Experience the power of faster and more accurate tumor diagnosis. Watch Lenovo's LeHealth in action. It won first place in the Liver Tumor Segmentation Challenge (LiTS), beating out hundreds of entries from 35 countries. Learn how this model--enabled by cutting…
💢🌐 قابل توجه دانشجویان، اساتید، علاقهمندان و پژوهشگران رشته مهندسی پرتوپزشکی
💫در راستای ایجاد فرهنگ تبادل اطلاعات و دانش گستری، گروه تلگرامی سامانه جامع پرتوپزشکان در روز یکشنبه مورخ ۱۳۹۷/۰۷/۰۱ راس ساعت ۲۲ از جناب آقای مهندس شهریار ابوالحسینی دعوت نموده تا کنفراسی با عنوان:
✨♻️ اشتغال در صنعت لیزر
ارائه دهند و در انتها به پرسش و پاسخ علاقهمندان گرامی بپردازند.
✅ علاقمندان میتوانند بعد از اتمام ارائه، جهت بحث و تبادل نظر سوالاتشون رو مطرح کنند
☑️ به منظور شرکت در گفتگو به لینک گروه سامانه جامع پرتوپزشکان مراجعه نمایید👇
https://t.me/joinchat/DVDd90PDyNpHh2nza2h6NQ
💫در راستای ایجاد فرهنگ تبادل اطلاعات و دانش گستری، گروه تلگرامی سامانه جامع پرتوپزشکان در روز یکشنبه مورخ ۱۳۹۷/۰۷/۰۱ راس ساعت ۲۲ از جناب آقای مهندس شهریار ابوالحسینی دعوت نموده تا کنفراسی با عنوان:
✨♻️ اشتغال در صنعت لیزر
ارائه دهند و در انتها به پرسش و پاسخ علاقهمندان گرامی بپردازند.
✅ علاقمندان میتوانند بعد از اتمام ارائه، جهت بحث و تبادل نظر سوالاتشون رو مطرح کنند
☑️ به منظور شرکت در گفتگو به لینک گروه سامانه جامع پرتوپزشکان مراجعه نمایید👇
https://t.me/joinchat/DVDd90PDyNpHh2nza2h6NQ
Telegram
سامانه جامع پرتوپزشکان
اعضای این سامانه شامل اساتید دانشگاه، پرتو کاران و کارشناسان مرتبط با امور پرتویی می باشند که با هدف ارتقای سطح علمی این جامعه ایجاد شده
است.
Link: https://t.me/joinchat/DVDd90PDyNoW0UA8DpXZ2Q
است.
Link: https://t.me/joinchat/DVDd90PDyNoW0UA8DpXZ2Q
مهندسی پرتو پزشکی و هسته ای ایران pinned « 💢🌐 قابل توجه دانشجویان، اساتید، علاقهمندان و پژوهشگران رشته مهندسی پرتوپزشکی 💫در راستای ایجاد فرهنگ تبادل اطلاعات و دانش گستری، گروه تلگرامی سامانه جامع پرتوپزشکان در روز یکشنبه مورخ ۱۳۹۷/۰۷/۰۱ راس ساعت ۲۲ از جناب آقای مهندس شهریار ابوالحسینی دعوت نموده…»
@Partoha f8ae736d35e25f439439669bd5a9a4e5--vol--atlas[1].jpg
15.5 KB
📔📔📔Pocket atlas of sectional anatomy 🆔 @Partoha
@Partoha_Pocket_Atlas_of_Sectional.pdf
69.4 MB
📔📔📔Pocket atlas of sectional anatomy 🆔 @Partoha
utf-8''eyeem-84301902.jpg
72.8 KB
🙏🙏🙏 التماس دعا 🙏🙏🙏 Partoha@ 🆔
⁉️ به نظر شما کدامیک از روش های زیر جهت محاسبات protection در ionization source مناسبتر می باشد؟
anonymous poll
4) Monte Carlo simulation – 40
👍👍👍👍👍👍👍 58%
1) Manual calculation – 25
👍👍👍👍 36%
3) Absolute calculation – 3
👍 4%
2)Randomize calculation – 1
▫️ 1%
👥 69 people voted so far.
anonymous poll
4) Monte Carlo simulation – 40
👍👍👍👍👍👍👍 58%
1) Manual calculation – 25
👍👍👍👍 36%
3) Absolute calculation – 3
👍 4%
2)Randomize calculation – 1
▫️ 1%
👥 69 people voted so far.
🙏با سلام خدمت تمام اعضاء گرامی و بزرگوارانی که ما را در سوالات مطرح شده همراهی می نمایند.
✅ پاسخ سوال فوق, گزینه 4 یعنی روش
Monte Carlo simulation
می باشد.
💹 در روشmanual تنها می توان بیم اصلی و مستقیم را محاسبه نمود و عوامل جانبی مختلفی از قبیل تاثیر پرتوهای scatter بر توزیع دوز کلی و همینطور تاثیر لایه های interface را نمی توان برآورد نمود.
💯از طرفی در روش مونت کارلو علی الخصوص در زمان محاسبات دوز source های الکتریکی با یک verification و bench marking صحیح و دقت بالا و با گرفتن طیف انرژی سورس, بنای محاسبات حفاظ سازی را بر مبنای بالاترین انرژی طیف قرار میدهیم.
🔬در واقع سیمولیشن بر مبنای monte carlo می تواند به عنوان یک لابراتور خانگی جهت طراحی, بهینه سازی و محاسبات مختلف از جمله حفاظ سازی تجهیزات پرتوپزشکی برای مهندسان پرتوپزشک عمل نماید
✅ پاسخ سوال فوق, گزینه 4 یعنی روش
Monte Carlo simulation
می باشد.
💹 در روشmanual تنها می توان بیم اصلی و مستقیم را محاسبه نمود و عوامل جانبی مختلفی از قبیل تاثیر پرتوهای scatter بر توزیع دوز کلی و همینطور تاثیر لایه های interface را نمی توان برآورد نمود.
💯از طرفی در روش مونت کارلو علی الخصوص در زمان محاسبات دوز source های الکتریکی با یک verification و bench marking صحیح و دقت بالا و با گرفتن طیف انرژی سورس, بنای محاسبات حفاظ سازی را بر مبنای بالاترین انرژی طیف قرار میدهیم.
🔬در واقع سیمولیشن بر مبنای monte carlo می تواند به عنوان یک لابراتور خانگی جهت طراحی, بهینه سازی و محاسبات مختلف از جمله حفاظ سازی تجهیزات پرتوپزشکی برای مهندسان پرتوپزشک عمل نماید