مقاله دیف‌سگ‌لانگ: تقطیر رادیومیک انتشاری برای بخش‌بندی بدون نظارت پاتولوژی ریه
,

مقاله دیف‌سگ‌لانگ: تقطیر رادیومیک انتشاری برای بخش‌بندی بدون نظارت پاتولوژی ریه

تومان249,950

چکیده فارسی:

تقسیم‌بندی بدون نظارت آسیب‌شناسی‌های ریوی در سی‌تی اسکن همچنان یک چالش باز است، زیرا فاقد مجموعه‌های داده چند آسیب‌شناسی با برچسب‌گذاری هستیم و روش‌های مبتنی بر انتشار موجود قادر به بهره…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000178 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

دیف‌سگ‌لانگ: تقطیر رادیومیک انتشاری برای بخش‌بندی بدون نظارت پاتولوژی ریه

DiffSegLung: Diffusion Radiomic Distillation for Unsupervised Lung Pathology Segmentation

نویسندگان: Rezkellah Noureddine Khiati, Pierre-Yves Brillet, Catalin Fetita

شناسه منبع: arxiv / 2605.11758

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

چکیده (فارسی)

چکیده فارسی:

تقسیم‌بندی بدون نظارت آسیب‌شناسی‌های ریوی در سی‌تی اسکن همچنان یک چالش باز است، زیرا فاقد مجموعه‌های داده چند آسیب‌شناسی با برچسب‌گذاری هستیم و روش‌های مبتنی بر انتشار موجود قادر به بهره‌برداری از سیگنال کمی واحد هونسفیلد (HU) که به طور فیزیکی کلاس‌های بافت را متمایز می‌کند، نیستند. برای حل این مشکل، ما DiffSegLung را پیشنهاد می‌کنیم، یک چارچوب که تقطیر رادیومیک انتشار را معرفی می‌کند. در این روش، توصیف‌گرهای رادیومیک دست‌ساز به عنوان یک معلم مبتنی بر فیزیک عمل می‌کنند تا با استفاده از یک هدف تقابلی، گلوگاه یک شبکه U-شکل انتشار سه‌بعدی را شکل دهند و ساختار تمایزدهنده آسیب‌شناسی را بدون هیچ‌گونه برچسب‌گذاری به نمایش آموخته شده منتقل کنند. در زمان استنتاج، معلم کنار گذاشته می‌شود و ویژگی‌های گلوگاه چند مرحله‌ای با استفاده از مدل مخلوط گاوسی با تخصیص برچسب هدایت‌شده توسط HU خوشه‌بندی می‌شوند، و سپس از ادغام انتشار سوبل برای اصلاح مرزها استفاده می‌شود. Diff-SegLung که بر روی ۱۹۰ برش محوری با برچسب‌گذاری متخصص از چهار مجموعه داده سی‌تی اسکن ناهمگن ارزیابی شده است، تقسیم‌بندی را در هر چهار کلاس آسیب‌شناسی نسبت به روش‌های پایه بدون نظارت بهبود می‌بخشد و وفاداری تولید را نسبت به مدل‌های انتشار سی‌تی اسکن قبلی افزایش می‌دهد.

Abstract (English)

Unsupervised segmentation of pulmonary pathologies in CT remains an open challenge due to the absence of annotated multi pathology cohorts and the failure of existing diffusion-based methods to exploit the quantitative Hounsfield Unit (HU) signal that physically distinguishes tissue classes. To address this, we propose DiffSegLung,a framework that introduces Diffusion Radiomic Distillation, in which handcrafted radiomic descriptors serve as a physics grounded teacher to shape the bottleneck of a 3D diffusion U-Net via a contrastive objective, transferring pathology discriminative structure into the learned representation without any annotations. At inference, the teacher is discarded and multitimestep bottleneck features are clustered by a Gaussian Mixture Model with HU-guided label assignment, followed by Sobel Diffusion Fusion for boundary refinement. Evaluated on 190 expert annotated axial slices drawn from four heterogeneous CT cohorts, Diff-SegLung improves segmentation across all four pathology classes over unsupervised baselines and improves generation fidelity over prior CT diffusion models.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله دیف‌سگ‌لانگ: تقطیر رادیومیک انتشاری برای بخش‌بندی بدون نظارت پاتولوژی ریه”

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

محصولات مشابه

پیمایش به بالا