پردازش تصویر هوشمندIntellimage

✍ درواقع ایده اینجاست که هر بیمارستان، همون MRIهایی که داره رو می‌ده به یک ماژول به اسم Modality Alignment. اینجا دیگه برامون مهم نیست که ورودی دقیقاً FLAIR است یا T1ce یا T2؛ مدل فقط به تعداد کانال‌های موجود نگاه می‌کنه و همه را در یک فضای ویژگی مشترک می‌ریزد. بعدش هم با کمک CAM، نواحی که احتمالاً تومور هستند رو شناسایی می‌کنیم. تا اینجا کار اولیه انجام شد، اما کیفیت مطلوب نیست. برای همین، MOSAIC یک شبکهٔ سگمنتیشن مجزا داره که این pseudo-maskهای مرحلهٔ اول را پردازش می‌کند، نویزهایشان را می‌گیرد و خروجی را اصلاح می‌کند. این بخش هم با معماری teacher–student جلو می‌رود تا یادگیری پایدارتری داشته باشیم. نتیجه‌ این هستش که چند بیمارستان می‌توانند، بدون اینکه حتی یک تصویر بیمار را با هم به اشتراک بگذارند، با داده‌های ناقص و نامتجانس و تنها با یک برچسب سادهٔ «تومور داره یا نه»، به مدلی برسند که عملکردش به مدل‌های Fully Supervised نزدیک است. جالب‌ترین بخش ماجرا، نوآوری اصلی‌اش است: هم‌ترازسازی بازنمایی‌ها با کمک اطلاعات فشردهٔ حوزهٔ فرکانس، که کار را برای مدل خیلی راحت‌تر می‌کند. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

آیا می‌توان با چند MRI ناقص و یک برچسب ساده، به عملکرد Fully Supervised رسید؟ در این رویکرد، هر بیمارستان تصاویر MRI موجود خود را به یک ماژول هم‌ترازسازی مدالیته (Modality Alignment Module) می‌دهد. اهمیت این ماژول در این است که مدل نیازی ندارد بداند ورودی دقیقاً از نوع FLAIR، T1ce یا T2 است؛ بلکه صرفاً بر اساس تعداد کانال‌های در دسترس عمل کرده و همه را به یک فضای ویژگی مشترک نگاشت می‌کند. سپس با کمک CAM، نواحی مشکوک به تومور شناسایی می‌شوند. از سوی دیگر، MOSAIC شامل یک شبکهٔ مستقل برای بخش‌بندی است که نقشه‌های شبه‌دانه‌ای (pseudo-mask) تولیدشده در مرحلهٔ قبل را پالایش کرده و نویزهای آنها را کاهش می‌دهد. این بخش نیز از معماری معلم- شاگرد بهره می‌برد. نتیجهٔ نهایی نشان می‌دهد که با مدل MOSAIC، چند بیمارستان می‌توانند بدون به‌اشتراک‌گذاری تصاویر واقعی بیماران، تنها با تکیه بر MRIهای ناقص و غیریکسان و با در اختیار داشتن برچسبِ سادهٔ وجود/عدم وجود تومور، به یک مدل بخش‌بندی فدرال دست یابند که عملکردی نزدیک به روش‌های کاملاً نظارت‌شده دارد. نقطهٔ قوت اصلی این روش، هم‌ترازسازی بازنمایی‌های بیمارستان‌ها با استفاده از اطلاعات فشردهٔ حوزهٔ فرکانس است. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

📸 هر سپیده‌دم، یک آرایه‌ی عظیم از داده‌های نوریست برای دیدن جهان، پیکسل‌به‌پیکسل :) 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

و مورد دیگه بحث تنوع عمودیِ پذیرش (Vertical Diversity of Adoption) صنایع مختلف، با سرعت و اولویت‌های کاملاً متفاوت وارد بازی می‌شوند. سلامت، حقوق، مالی و تولید، هرکدام با مسئله‌ی منحصربه‌فرد خود به سراغ LLM می‌روند. مدل‌های پزشکی تخصصی به دقت ۸۵٪ در آزمون‌های تخصصی می‌رسند، در حالی که مدل‌های عمومی تنها ۷۸٪ عملکرد دارند. در بخش حقوق، تحلیل قراردادها و تحقیقات حقوقی به‌سرعت در حال خودکارسازی است. قانون "یک راه‌حل برای همه" یک توهم است. ارزش واقعی، درک عمیق از دامنه‌ی مسئله‌ی هر صنعت و طراحی مدلی است که اصطلاحات، داده‌ها و الزامات قانونیِ آن صنعت را بومی‌سازی کرده باشد. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

در ادامه بررسی می‌کنیم که حاکمیت به‌عنوان دروازه‌بان ورود (Governance as the Gatekeeper) نقش خواهد داشت : وقتی مدل‌ها وارد حوزه‌های حساس مانند مالی، سلامت و حقوق می‌شوند، قابلیت اعتماد از یک مزیت به یک شرط ضروری برای خرید تبدیل می‌شه. قوانینی مثل EU AI Act، شفافیت در داده‌های آموزش، قابلیت ممیزی، مدیریت تعصب و امنیت زنجیره‌ی تأمین را به الزامات جدی تبدیل کردند. در این فضا، پلتفرمی که بتواند «حکمرانی قابل‌اعتماد» را ارائه دهد، نه یک گزینه، بلکه تنها گزینه‌ی قابل‌قبول برای سازمان‌های بزرگ خواهد بود. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

بازار مدل‌های زبانی بزرگ در آستانه‌ی یک تحول ۵.۶ برابریست (از ۶.۴ به ۳۶.۱ میلیارد دلار تا ۲۰۳۰). اما سؤال کلیدی این نیست که آیا رشد می‌کند، بلکه این است: ارزش خلق‌شده در کدام لایه‌ی این اکوسیستم متمرکز خواهد شد؟ در ادامه پست قبل تحلیل عمیق داده‌ها، سه روندِ به‌هم‌تنیده را آشکار می‌کنه که با هم، نقشه‌ی راهِ آینده را ترسیم می‌کنند: 📖 تخصصی‌سازی اجباری (Forced Specialization) : مدل‌های عمومی در حال تبدیل به «کالای همگانی» هستند. سازمان‌ها به سرعت به سمت مدل‌های حوزه‌خاص (Domain-Specific) حرکت می‌کنند؛ چون می‌دانند که دقتِ بالاتر با هزینه‌ی بسیار کمتر، تنها از این مسیر ممکن است. نرخ استقرار مدل‌های حوزه‌خاص از ۱٪ در ۲۰۲۴ به بیش از ۵۰٪ تا ۲۰۲۷ خواهد رسید (گارتنر می‌گوید ۶۵٪). بازار این پلتفرم‌ها از ۲.۴۴ میلیارد دلار در ۲۰۲۶ به ۱۵.۵۴ میلیارد دلار در ۲۰۳۳ جهش می‌کنه. کم شدن هزینه‌ی عملیاتی تا ۹۹٪ و افزایش دقت تا ۴۰٪ در حوزه‌های هدف، این انتقال را غیرقابل‌انکار کرده و مثلاً هزینه‌ی تحلیل قرارداد با GPT-4 (۱۵۰ هزار دلار) در برابر مدل تخصصی (۱۵ هزار دلار)  انتخاب، واضح هست. 🆔️ intellimage channel : https://t.me/Intellimage https://eitaa.com/intellimage

معمای سه‌گانه‌ی ارزش در بازار LLM بازار مدل‌های زبانی بزرگ در آستانه‌ی یک تحول ۵.۶ برابریست (از ۶.۴ به ۳۶.۱ میلیارد دلار تا ۲۰۳۰). اما سؤال کلیدی این نیست که آیا رشد می‌کند، بلکه این است: ارزش خلق‌شده در کدام لایه‌ی این اکوسیستم متمرکز خواهد شد؟ در ادامه پست قبل تحلیل عمیق داده‌ها، سه روندِ به‌هم‌تنیده را آشکار می‌کنه که با هم، نقشه‌ی راهِ آینده را ترسیم می‌کنند: 📖 تخصصی‌سازی اجباری (Forced Specialization) : مدل‌های عمومی در حال تبدیل به «کالای همگانی» هستند. سازمان‌ها به سرعت به سمت مدل‌های حوزه‌خاص (Domain-Specific) حرکت می‌کنند؛ چون می‌دانند که دقتِ بالاتر با هزینه‌ی بسیار کمتر، تنها از این مسیر ممکن است. نرخ استقرار مدل‌های حوزه‌خاص از ۱٪ در ۲۰۲۴ به بیش از ۵۰٪ تا ۲۰۲۷ خواهد رسید (گارتنر می‌گوید ۶۵٪). بازار این پلتفرم‌ها از ۲.۴۴ میلیارد دلار در ۲۰۲۶ به ۱۵.۵۴ میلیارد دلار در ۲۰۳۳ جهش می‌کنه. کم شدن هزینه‌ی عملیاتی تا ۹۹٪ و افزایش دقت تا ۴۰٪ در حوزه‌های هدف، این انتقال را غیرقابل‌انکار کرده و مثلاً هزینه‌ی تحلیل قرارداد با GPT-4 (۱۵۰ هزار دلار) در برابر مدل تخصصی (۱۵ هزار دلار) انتخاب، واضح هست. 🆔️ intellimage channel : https://t.me/Intellimage https://eitaa.com/intellimage

✍ بازار مدل‌های زبانی بزرگ (LLM) در مسیر رشد چشمگیری قرار داره ؛ پیش‌بینی‌ها حاکی از جهش از ۶.۴ میلیارد دلار در سال ۲۰۲۴ به ۳۶.۱ میلیارد دلار تا سال ۲۰۳۰ است. اما سوال اصلی اینجاست: ارزش واقعی چطور در این زنجیره خلق خواهد شد؟ مدل‌های پایه در حال تبدیل شدن به یک «کالای همگانی» (Commodity) هستند و مزیت رقابتی به سمت لایه‌های بالاتر و تخصصی‌تر حرکت می‌کند. بر اساس تحلیل‌های موجود، سه روند کلیدی در این چشم‌انداز در حال شکل‌گیری هستند.در ادامه ی مطالب ، هر یک را با نگاهی تحلیلی و مبتنی بر داده واکاوی می‌کنیم :) 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

ارزش واقعی چطور در اکوسیستم LLM ها خلق خواهد شد؟ 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

أَلسَّلٰامُ عَلَیکَ یٰا عَلی اِبنِ موسَی أَلرّضٰآ أَلمُرتَضٰی🥀🕯 بعضی کلمه ها ؛ انگار صاحب دارند... صاحبِ کلمه ی " پناه " تا ابد امام رضا علیه السلام است... 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

یک کوچه و یک سیلی و یک مادر و یک طفل ؛ شرحِ غمِ اَسرارِ مفصل، شدنی نیست 🕯🥀   شهادت مظلومانه امام حسن مجتبی علیه السلام را گرامی میداریم. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

🇮🇷🆕️ از ایران تا نقشه‌ای جهانی از سرطان: پایگاه داده namiRa پژوهشگران پژوهشگاه رویان به همراه دانشگاه دویسبورگ-اسن آلمان، موفق به ایجاد پایگاه داده‌ای جامع به نام namiRa شدند که شامل اطلاعات نزدیک به ۱۰ هزار مقاله درباره microRNAها و سرطان است. این پایگاه می‌تواند به محققان در سراسر جهان کمک کند تا مکانیسم‌های مولکولی سرطان را بهتر درک کرده و biomarkerهای جدید و اهداف درمانی را شناسایی کنند. این پروژه به رهبری دکتر شریف مرادی انجام شده و اطلاعات مربوط به ۱۰۹۵ microRNA انسانی و ۳۳ نوع سرطان را در یک چارچوب واحد گردآوری کرده است. namiRa که به معنای «جاودانه» در فارسی است، به پژوهشگران این امکان را می‌دهد که روابط میان miRNAها و ژن‌های هدف را به‌صورت یک سیستم منسجم بررسی کنند. این پایگاه داده شامل الگوهای بیان miRNA، روش‌های شناسایی، نقش‌های عملکردی و نتایج مطالعات مختلف است. به زودی، رویداد انجمن بیوتکنولوژی شبکه نخبگان ایران با حضور پژوهشگران مرتبط با این دستاورد برگزار خواهد شد. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

✍ در یکی از پست های اخیر در مورد الگوریتم لبه یابی Canny صحبت کردیم که مفهوم لبه را بر اساس تغییرات شدت روشنایی تعریف می‌کند، تصمیم گرفتم از دید چند نسل از الگوریتم‌های Edge Detection این تصویر را پردازش کنم که با یادگیری عمیق، مرزهای معنایی اشیاء را نیز بهتر درک می‌کند. در این مقایسه، خروجی الگوریتم‌های زیر روی یک تصویر یکسان بررسی شد: • Canny • Structured Forest • HED • RCF • BDCN • PiDiNet • DexiNed آنچه جالب بود، فقط افزایش دقت نبود؛ بلکه تغییر نگاه الگوریتم‌ها به مفهوم «لبه» بود. در روش‌های کلاسیک، لبه صرفاً یک تغییر ناگهانی در شدت روشنایی هستش؛ اما در مدل‌های مبتنی بر یادگیری عمیق، لبه به یک ویژگی معنایی (Semantic Boundary) تبدیل می‌شه که اطلاعات زمینه و ساختار تصویر را نیز در نظر می‌گیرد. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

#گزارش_مهربانی با سلام و احترام به لطف خدا لبخند را به چهره ی این کودک بازگرداندید و با همراهی شما عزیزان هزینه مورد نیاز تأمین شد. مهرتان مانا 🤍✨

گاهی یک عکس روزمره ، بهترین ورودی برای تحلیل رفتار یک الگوریتم کلاسیک هست. این بار، الگوریتم Canny Edge Detection :) این الگوریتم با وجود قدمتش، هنوز هم یکی از دقیق‌ترین روش‌های استخراج لبه و نقطه‌ی شروع بسیاری از Pipelineهای بینایی ماشین محسوب می‌شه. هنوز هم خیلی از زنجیره های پردازش ، از یک سؤال ساده آغاز می‌شن: مرز اشیاء کجاست؟ 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

🕊 کودکی برای زنده ماندن چشم به راه است ! 🏮پسر بچه مبتلا به بیماری بسیار نادر تاکایاسو ، درگیر تشنج شدید، نارسایی شبکه چشم و سابقه ایست قلبی و کماست ! برای درمان و حفظ حیات به کمک فوری نیاز داره . در ایام #اربعین به نیت سه ساله امام حسین(علیه السلام ) پناه این کودک باشیم ؛ (مبلغ مورد نیاز ۱۵۰ میلیون ؛ هر سهم ۲۰۰ هزار یاهرچقدر در توان هست ) شماره کارت‌ #رسمی به‌ نام مجموعه #چشم_به_راه ● 6063731248401375 ●5892107050150831 ● 5041727010637815 ●5041727010637807 📲 آرشیو خدمات و نحوه هزینه کردها👇 ┏━━━━━━━━━━━━━━━🇮🇷┓ https://cheshm-berah313.ir/ https://eitaa.com/S7QfvmVIh2MaXNEm ┗🕊━━━━━━━━━━━━━━━┛ نیت #عام کنید. مبالغ اضافه صرف سایر امور خیر (درمانی،معرفی و اداره گروه و..می شود.) بزرگترین جهادی ایتا ؛ دارای تیک آبی رسمی ✅️

پاسخ اکثر ما به سوالی که در پست قبل مطرح شد احتمالاً «افزایش دقت مدل» هست؛ چون سال‌هاست معیار موفقیت مدل‌های هوش مصنوعی را با اعدادی مثل Accuracy، Dice Score، mAP یا IoU می‌سنجیم... اما اجازه بدین یک سناریوی واقعی را تصور کنیم ؛ فرض کنین یک مدل تشخیص تومور با دقت ۹۹٪ آموزش دادین . حالا قراره که این مدل به‌صورت ۲۴ ساعته در یک بیمارستان به پزشکان خدمت کنه. روز اول همه چیز عالیه. اما چند هفته بعد... سرور به‌روزرسانی می‌شه. نسخه CUDA تغییر می‌کنه. ابزار OpenCV با نسخه جدید ناسازگار می‌شه. یکی از سرویس‌ها از کار می‌افته. مدل جدیدی آموزش داده می‌شه، اما جایگزینی آن باعث اختلال در کل سامانه می‌شه. اگر مشکلی پیش بیاد، هیچ راهی برای بازگشت سریع به نسخه قبلی وجود نداره. حالا از خودمون بپرسیم: آیا مشکل از مدل بود؟ خیر. مشکل از زیرساخت تولید محصول بود. اینجاست که مفاهیمی مثل Docker، DevOps، CI/CD، Kubernetes و MLOps وارد می‌شن. این ابزارها دقت مدل رو بیشتر نمی‌کنن؛ اما تضمین می‌کنن همون مدلی که در آزمایشگاه عالی عمل کرده، در محیط واقعی هم پایدار، قابل اعتماد، مقیاس‌پذیر و قابل نگهداری باشه:) 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

اگر قصد داشته باشیم بیشتر در ادامه ی پست قبل صحبت کنیم اول بنظرم باید به سوال زیر پاسخ بدیم ؛ اگر امروز قرار باشه یک محصول بینایی ماشین برای استفاده ۲۴ ساعته در یک کارخانه یا بیمارستان طراحی کنیم ، بیشتر زمان خودمون رو صرف افزایش دقت مدل کنیم یا ساخت یک زیرساخت پایدار برای استقرار و نگهداری از اون مدل ؟

⚠️ چرا بیشتر پروژه‌های پردازش تصویر در مرحله تولید (Production) شکست می‌خورند؟ فرض کنیم دوتا تیم روی یک پروژه تشخیص عیب قطعات صنعتی کار می‌کنند. هر دو تیم از یک مدل یکسان (مثلاً YOLO)، یک دیتاست مشابه و حتی یک GPU مشابه استفاده می‌کنند. اما بعد از چند ماه، محصول یکی از تیم‌ها در کارخانه بدون مشکل کار می‌کنه، در حالی که محصول تیم دیگر دائماً با خطا، افت دقت و قطعی سرویس مواجه است. چه اتفاقی افتاده؟ بیشتر افراد اولین پاسخشون این هست که: «حتماً مدل تیم اول بهتر بوده!» اما در بسیاری از پروژه‌های واقعی، پاسخ چیز دیگری است. در ادامه بیشتر صحبت میکنیم ... 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage