ترجمه مقاله یک شبکه عصبی قابل تفسیر برای تشخیص تصویر - نشریه الزویر

قیمت خرید این محصول

۷۲,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

مثبت فکر کنید: یک شبکه عصبی قابل تفسیر برای تشخیص تصویر

عنوان انگلیسی

Think positive: An interpretable neural network for image recognition

صفحات مقاله فارسی

30

صفحات مقاله انگلیسی

12

سال انتشار

2022

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

9.697 در سال 2021

شاخص H_index مجله

154 در سال 2022

شاخص SJR مجله

2.781 در سال 2021

شناسه ISSN مجله

0893-6080

شاخص Q یا Quartile (چارک)

Q1 در سال 2021

کد محصول

13554

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت انگلیسی درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

تایپ شده است ✓

ضمیمه

ندارد ☓

بیس

نیست ☓

مدل مفهومی

ندارد ☓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

فرضیه

ندارد ☓

رفرنس در ترجمه

در انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر - مهندسی پزشکی - پزشکی - پردازش تصاویر پزشکی - هوش مصنوعی - مهندسی الگوریتم ها و محاسبات - اپیدمیولوژی

مجله

Neural Networks

کلمات کلیدی

سی تی اسکن - الگوها - COVID-19- پنومونی - قابل تفسیر

کلمات کلیدی انگلیسی

CT-scan - Prototypes - COVID-19 - Pneumonia - Interpretable

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.neunet.2022.03.034

با خرید این کالا; ترجمه فارسی مقاله، مقاله انگلیسی، پاورپوینت و ترجمه خلاصه قابل دانلود خواهد بود. بلافاصله پس از خرید، دکمه دانلود ظاهر شده و محصول به ایمیل شما نیز ارسال خواهد گردید.

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1-مقدمه
2-روش
3- نتایج
4-نقاط ضعف مطالعه ما
6-نتیجه گیری
منابع

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)

فایل پاورپوینت این مقاله

در کنار ترجمه مقاله، فایل پاورپوینت این مقاله نیز ایجاد شده و در این محصول قرار داده شده است که پس از خریداری به همراه ترجمه قابل دانلود خواهد بود. تعداد اسلایدهای این پاورپوینت 29 می باشد و آماده ارائه در دانشگاه یا سایر سمینارها است.

فایل خلاصه ترجمه

در صورتی که نیاز به خلاصه ای از متن ترجمه این مقاله دارید، می توانید از فایل خلاصه ترجمه استفاده نمایید که به این محصول اضافه شده است. خلاصه ترجمه این مقاله در 11 صفحه در فایل word انجام شده و داخل بسته قرار گرفته است.

نمونه چکیده ترجمه متن فارسی

چکیده
پاندمی COVID-19 همچنان در حال پیشرفت است و هزینه اضافه ای بر سیستمهای بهداشت و درمان در سراسر دنیا تحمیل کرده است. تشخیص به موقع و موثر این ویروس میتواند به کاهش انتشار بیماری کمک کند. گرچه RT-PCR همچنان استانداردی طلایی برای تست COVID-19 بشمار میرود، اما مدلهای یادگیری عمیق برای شناسایی ویروس از روی تصاویر پزشکی نیز در شرایط خاص مفید هستند؛ بویژه در موقعیتهایی که بیماران متحمل آزمایشات پرتو-X و یا CT-اسکنهای روتین میشوند ولی در مدت چند روز پس از این آزمایشات عوارض تنفسی را تجربه میکنند. همچنین مدلهای یادگیری عمیق جهت پیش-غربالگری قبل از آزمایش RT-PCR استفاده میشوند. ولی با اینحال، شفافیت/ قابلیت تفسیر فرایند استدلال پیش بینی های صورت گرفته بوسیله چنین مدلهای یادگیری ضرورت دارد. ما در این مقاله، یک الگوی یادگیری عمیق قابل تفسیر پیشنهاد میکنیم که از فرایند استدلال مثبت جهت پیش بینی استفاده میکند. ما مدل خودمان را آموزش داده و آن را بر روی یک مجموعه از داده های تصویری CT-اسکن قفسه سینه بیماران COVID-19، افراد سالم، و بیماران پنومونی، آزمایش کردیم. صحت، دقت، یادآوری و امتیازF- مدل ما به ترتیب 48/99 %، 99/0، 99/، و 99/0 بودند.
2-روش
در این بخش ما ساختار و فرایند آموزش مدل Quasi-ProtoPNet خود را در بافت تصاویر CT–اسکن معرفی کرده و شرح میدهیم.

2.1-ساختار مدل Quasi-ProtoPNet
مدل Quasi-ProtoPNet بر حسب لایه های کانولوشنی یک مدل پایۀ پیشرفته (مدل خط مبنا)، مثل مدلهای پایهVGG-19 (Simonyan & Zisserman, 2015)، ResNet-34، ResNet-152 (He, Zhang, Ren & Sun, 2016)، DenseNet-121 یا DenseNet-161 (Huang, Liu, Van der Maaten & Weinberger, 2017) ساخته میشود. همانطور که در شکل 2 دیده میشود، مدل Quasi-ProtoPNet شامل لایه های کانولوشنی برگرفته از یک مدل پایه است که دو لایه کانولوشنی دیگر در ابعاد 1×2 و 1×1 پشت آن قرار گرفته اند. این لایه های کانولوشنی مجموعاً لایه L خوانده میشوند و یک لایه کانولوشنی تعمیم یافته (Ghiasi-Shirazi, 2019; Nalaie, Ghiasi-Shirazi & Akbarzadeh-T 2017) p_t از بخشهایی از الگو در پشت لایه کانولوشنی، و پس از لایه p_t، نیز یک لایه چگال و متراکم ω بدون هیچ انحرافی جای میگیرد. پارامترهای لایه L و ماتریس وزنی لایه چگال به ترتیب با L_conv و ω_m نشان داده میشوند. توابع فعالسازی ReLU و Sigmoid به ترتیب برای لایه کانولوشنی اضافۀ یکی مانده به آخر و آخرین لایه کانولوشنی، استفاده میشوند. دقت داشته باشید که لایه های کانولوشنی L، بخش تفسیرناپذیر (جعبه سیاه)، و لایه کانولوشنی تعمیم یافته p_t بخش تفسیرپذیر (شفاف) مدل ما را تشکیل میدهند.

برچسب‌ها: دانلود رایگان مقالات انگلیسی پزشکی، دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی هوش مصنوعی، دانلود رایگان مقالات انگلیسی مهندسی پزشکی