,

مقاله کشف امضاهای پاتولوژیک نهفته در سی‌تی ریه از طریق تقطیر دانش بین پنجره‌ای

تومان249,950

تصویربرداری سی‌تی چند پنجره‌ای، اطلاعات پاتولوژیکی مکمل را در ساختارهای آناتومیکی با چگالی‌های متفاوت ثبت می‌کند. با این حال، روش‌های یادگیری عمیق موجود، بازنمایی‌ها را تنها در مراحل پایانی ادغام می‌ک…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000131 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

کشف امضاهای پاتولوژیک نهفته در سی‌تی ریه از طریق تقطیر دانش بین پنجره‌ای

Uncovering Latent Pathological Signatures in Pulmonary CT via Cross-Window Knowledge Distillation

نویسندگان: Bo Peng, Wujian Xu, Kun Wang, Ximing Liao, Na Wang, Daqian Shi, Tian Li, Jing Gao, Johan Thygesen, Yingqun Ji, Honghan Wu

شناسه منبع: arxiv / 2605.12562

دسته: Image and Video Processing,Artificial Intelligence,Computer Vision and Pattern Recognition

چکیده (فارسی)

تصویربرداری سی‌تی چند پنجره‌ای، اطلاعات پاتولوژیکی مکمل را در ساختارهای آناتومیکی با چگالی‌های متفاوت ثبت می‌کند. با این حال، روش‌های یادگیری عمیق موجود، بازنمایی‌ها را تنها در مراحل پایانی ادغام می‌کنند و تعاملات بین چگالی‌های مختلف را از دست می‌دهند. ما یک چارچوب تقطیر دانش بین پنجره‌ای را پیشنهاد می‌کنیم که در آن انکودرهای دانش‌آموز، اولویت‌های بالینی پنهان را از یک معلم که بر روی آموزنده‌ترین پنجره آموزش دیده است، یاد می‌گیرند. ارزیابی گذشته‌نگر بر روی سه گروه – COPD-CT-DF (۷۱۹ نفر)، RSNA PE (۱۴۳۳ نفر) و یک مجموعه داده داخلی CTEPD (۱۶۱ نفر) – نشان داد که تقطیر، AUC هر پنجره را در COPD-CT-DF ۱۰.۱ تا ۱۶.۵ درصد بهبود بخشید (از ۰.۷۵-۰.۸۱ به ۰.۹۰-۰.۹۴؛ همه P<0.001)، با رسیدن AUC ترکیبی به ۰.۹۹۶۰. بهبودهای مشابهی در RSNA PE (۰.۸۰-۰.۸۳ به ۰.۹۰-۰.۹۲) و CTEPD (AUC ۰.۷۴۸۱ در مقابل ۰.۶۲۶۴) مشاهده شد. تقطیر بین پنجره‌ای، امضاهای پاتولوژیکی نامرئی برای رویکردهای نظارت‌شده را درونی‌سازی می‌کند و راه‌حلی قابل تعمیم برای تجزیه و تحلیل سی‌تی ریوی چند پنجره‌ای ارائه می‌دهد.

Abstract (English)

Multi-window CT imaging captures complementary pathological information across anatomical structures of differing densities, yet existing deep learning methods fuse representations only at later stages, missing cross-density interactions. We propose a cross-window knowledge distillation framework in which student encoders learn latent clinical priors from a teacher trained on the most informative window. Evaluated retrospectively on three cohorts – COPD-CT-DF (n=719), RSNA PE (n=1,433), and an in-house CTEPD dataset (n=161) – distillation improved per-window AUC by 10.1-16.5 percentage points on COPD-CT-DF (0.75-0.81 to 0.90-0.94; all P<0.001), with ensemble AUC reaching 0.9960. Similar gains were observed on RSNA PE (0.80-0.83 to 0.90-0.92) and CTEPD (AUC 0.7481 vs. 0.6264). Cross-window distillation internalises pathological signatures invisible to supervised approaches, offering a generalisable solution for multi-window pulmonary CT analysis.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله کشف امضاهای پاتولوژیک نهفته در سی‌تی ریه از طریق تقطیر دانش بین پنجره‌ای”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا