دانلود ترجمه مقاله یک شبکه عصبی قابل تفسیر برای تشخیص تصویر (ساینس دایرکت – الزویر 2022)
این مقاله انگلیسی ISI در نشریه الزویر در سال 2022 منتشر شده که 12 صفحه می باشد، ترجمه فارسی آن نیز 30 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 | 2022 |
فرمت مقاله انگلیسی | |
تعداد صفحات مقاله انگلیسی | 12 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 | 0893-6080 |
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 | 9.697 در سال 2021 |
شاخص H_index مجله | 154 در سال 2022 |
شاخص SJR مجله | 2.781 در سال 2021 |
شاخص Q یا Quartile (چارک) | Q1 در سال 2021 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | 13554 |
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 | 30 (4 صفحه رفرنس انگلیسی) صفحه با فونت 14 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 1-مقدمه 2-روش 3- نتایج 4-نقاط ضعف مطالعه ما 6-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 48/99 %، 99/0، 99/، و 99/0 بودند.
روش 2.1-ساختار مدل Quasi-ProtoPNet
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 512 و ابعاد فضایی 7×7 هستند، L(x) دارای عمق 512 و ابعاد فضایی 6×6 خواهد بود. دقت کنید که لایه p_t بُرداری از واحدهای الگو بوده و هر واحد الگو یک تانسور به شکل 512×h×w است که داریم: 1×1 < h×w < 6×6 ؛ یعنی h و w رویهمرفته نه معادل 1 و نه معادل با 6 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. |