دانلود مقاله ‌‌یک معماری شبکه عمیق جهت غربالگری و تشخیص خودکار سل در تصاویر اشعه ایکس قفسه سینه

مشخصات مقاله
یک معماری شبکه عمیق جهت غربالگری و تشخیص خودکار سل در تصاویر اشعه ایکس قفسه سینه
 عنوان انگلیسی مقاله Efficient Deep Network Architectures for Fast Chest X-Ray Tuberculosis Screening and Visualization
 تعداد صفحات فارسی ۲۱
تعداد صفحات انگلیسی ۹
رشته  کامپیوتر و پزشکی
قالب فایل  Word
سال انتشار ۲۰۱۹
 مرجع Pasa, F., Golkov, V., Pfeiffer, F., Cremers, D., & Pfeiffer, D. (2019). Efficient deep network architectures for fast chest X-ray tuberculosis screening and visualization. Scientific reports۹(۱), ۱-۹٫
  دانلود  و مشاهده  مقاله انگلیسی (رایگان) Efficient Deep Network Architectures for Fast Chest X-Ray Tuberculosis Screening and Visualization
دانلود فایل ترجمه کلیک جهت دانلود فایل ترجمه

    مقدمه

تشخیص خودکار سل (TB) از اشعه X قفسه سینه (CXR) با هر دو الگوریتم‌های دستی و یا رویکردهای یادگیری ماشین مانند دستگاههای بردار پشتیبان (SVM) و شبکه‌های عصبی کانولوشن (CNNs) انجام شده است.
بیشتر شبکه‌های عصبی عمیق که برای تشخیص بیماری سل کاربرد دارد،  رویکرد دسته بندی تصویر را اتخاذ کرده اند. این مدل‌ها تعداد زیادی پارامتر و همچنین نیاز به سخت افزار زیادی دارند، که بکارگیری آنها و یا پیاده سازی آنها در محیط‌هایی مانند موبایل سخت تر می کند.
در این تحقیق یک شبکه عصبی پیچشی (کانولوشن) ساده پیشنهاد می کنیم که سریعتر و کارآمدتر از مدل‌های قبلی است اما دقت تشخیص آن حفظ شده است. علاوه بر آن، تاکنون قابلیت بصری شبکه‌های عصبی کانولوشن به صورت کامل مورد بررسی قرار نگرفته اند.
اما ما در این تحقیق،  نقشه‌های برجستگی و نقشه‌های فعال سازی کلاس گرادیان ((grad-CAMs را به عنوان روش‌های دیداری سازی (بصری) سل آزمایش می کنیم و آنها را از منظر رادیولوژی مورد بحث قرار می دهیم. تشخیص خودکار سل

کلیک جهت دانلود فایل ترجمه

تشخیص خودکار سل
تشخیص خودکار سل

مشاهده جدیدترین مقالات ترجمه شده در مورد بلاک چین

مشاهده جدیدترین مقالات ترجمه شده در مورد بدافزار

مشاهده جدیدترین مقالات ترجمه شده مهندسی کامپیوتر

مشاهده جدیدترین مقالات ترجمه شده اینترنت اشیا

مشاهده جدیدترین مقالات ترجمه شده داده کاوی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.