دانلود ترجمه مقاله یک شبکه عصبی قابل تفسیر برای تشخیص تصویر (ساینس دایرکت – الزویر ۲۰۲۲)

دانلود ترجمه مقاله یک شبکه عصبی قابل تفسیر برای تشخیص تصویر (ساینس دایرکت – الزویر ۲۰۲۲)

 

 

این مقاله انگلیسی ISI در نشریه الزویر در سال ۲۰۲۲ منتشر شده که ۱۲ صفحه می باشد، ترجمه فارسی آن نیز ۳۰ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

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

عنوان انگلیسی مقاله:

Think positive: An interpretable neural network for image recognition

 

 

مشخصات مقاله انگلیسی 
نشریه ساینس دایرکت، الزویر – (Sciencedirect – Elsevier)
سال انتشار ۲۰۲۲
فرمت مقاله انگلیسی pdf 
تعداد صفحات مقاله انگلیسی ۱۲ صفحه
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر – مهندسی پزشکی – پزشکی
گرایش های مرتبط با این مقاله پردازش تصاویر پزشکی – هوش مصنوعی – مهندسی الگوریتم ها و محاسبات – اپیدمیولوژی
چاپ شده در مجله (ژورنال) Neural Networks
کلمات کلیدی سی تی اسکن – الگوها – COVID-19- پنومونی – قابل تفسیر
کلمات کلیدی انگلیسی CT-scan – Prototypes – COVID-19 – Pneumonia – Interpretable
نمایه (index) scopus – Master Journal List – JCR – MedLine
نویسندگان Gurmail Singh
شناسه شاپا یا ISSN ۰۸۹۳-۶۰۸۰
شناسه دیجیتال – doi https://doi.org/10.1016/j.neunet.2022.03.034
لینک سایت مرجع https://www.sciencedirect.com/science/article/pii/S0893608022001125
ایمپکت فاکتور (IF) مجله ۹٫۶۹۷ در سال ۲۰۲۱
شاخص H_index مجله ۱۵۴ در سال ۲۰۲۲
شاخص SJR مجله ۲٫۷۸۱ در سال ۲۰۲۱
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۲۱
بیس نیست
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۳۵۵۴

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله ورد تایپ شده با قابلیت ویرایش و pdf
وضعیت ترجمه ترجمه شده و آماده دانلود
کیفیت ترجمه عالی (مناسب استفاده دانشگاهی و پژوهشی)
تعداد صفحات ترجمه ۳۰ (۴ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه تایپ شده است
منابع داخل متن به صورت انگلیسی درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱-مقدمه

۲-روش

۳- نتایج

۴-نقاط ضعف مطالعه ما

۶-نتیجه گیری

منابع

 

بخشی از ترجمه

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 ۴۸/۹۹ %، ۹۹/۰، ۹۹/، و ۹۹/۰ بودند.

 

روش
در این بخش ما ساختار و فرایند آموزش مدل Quasi-ProtoPNet خود را در بافت تصاویر CT–اسکن معرفی کرده و شرح میدهیم.

۲٫۱-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 ۲ دیده میشود، مدل Quasi-ProtoPNet شامل لایه های کانولوشنی برگرفته از یک مدل پایه است که دو لایه کانولوشنی دیگر در ابعاد ۱×۲ و ۱×۱ 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.

 

گرچه ما میتوانیم از لایه های کانولوشنی هر یک از مدلهای پایه برای ساخت مدلمان استفاده کنیم، اما ما مدل Quasi-ProtoPNet را زمانی شرح میدهیم که بر اساس لایه های کانولوشنی مدل پایه VGG-16 ساخته شود. فرض کنید x یک تصویر ورودی باشد. از آنجا که خروجی لایه های کانولوشنی VGG-16 دارای عمق ۵۱۲ و ابعاد فضایی ۷×۷ هستند، L(x) دارای عمق ۵۱۲ و ابعاد فضایی ۶×۶ خواهد بود. دقت کنید که لایه p_t بُرداری از واحدهای الگو بوده و هر واحد الگو یک تانسور به شکل ۵۱۲×h×w است که داریم: ۱×۱ < h×w < 6×۶ ؛ یعنی h و w رویهمرفته نه معادل ۱ و نه معادل با ۶ هستند. فرض کنید m و n به ترتیب به مجموع تعداد کلاسها و الگوهای اولیه برای هر کلاس اشاره میکنند. فرض کنید P^c={p_i^c }_(i=1)^m مجموعه ای از الگوهای یک کلاس C و P={P^C }_(c=1)^n مجموع تمام الگوها باشد. در کار ما، n=3 است ولی ما بطور تصادفی اَبَرپارامتر را در m=10 تنظیم میکنیم.

 

ثبت دیدگاه