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

✍ 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

🆕️ فاین‌تیون مدل ۸ میلیارد پارامتری روی لپ‌تاپ ۴ گیگابایتی؟

پروژه‌ی متن‌باز «Soup» با ترفند Layer Streaming این کار را ممکن کرده. یعنی لایه‌های مدل یکی‌یکی به حافظه‌ی گرافیکی می‌روند و کل مدل دیگر نباید یکجا در VRAM جا شود.

در نتیجه اجرای Llama 3.1 روی RTX 3050 لپ‌تاپ با فقط ۳.۳۲ گیگابایت مصرف حافظه اجرا می‌شود..

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ این پروژه اومد که ثابت کنه دیگه برای ورود به دنیای مدل‌های بزرگ، نیازی به قبض‌های نجومی برق ابری یا کارت‌های گرافیک چندهزار دلاری نیست. پروژه‌ی متن‌باز Soup این ادعا را به چالش کشیده و فلسفه‌ی فاین‌تیون را از یک پروسه‌ی سنگین مهندسی، به یک فایل ساده‌ی YAML و یک خط فرمان تقلیل داده است.

اما بیاید عمیق‌تر از ظاهر ساده‌اش نگاه کنیم. نقطه‌ی عطف این پروژه، قابلیت Layer Streaming است؛ یعنی تکنیک انتقال لایه‌به‌لایه از RAM به VRAM.این یعنی معماری حافظه دیگر یک بلوک یکپارچه نیست و مدل می‌تواند نفس‌هایش را به‌صورت تکه‌تکه در حافظه‌ی محدود گرافیکی جا بدهد...

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ برای من، جایی که این ادعا به اثبات می‌رسد، تست عملی توسعه‌دهندگان است: اجرای Llama 3.1 8B Instruct روی یک RTX 3050 لپ‌تاپی با فقط ۴ گیگابایت VRAM و مصرف حداکثر ۳.۳۲ گیگابایت. این یعنی یک دیتاساینتیست با یک لپ‌تاپ معمولی نیز می‌تواند آزمایش‌های خود را اجرا کند، نه اینکه صرفاً به نوت‌بوک‌های ابری وابسته باشد.

اکوسیستم قابلیت‌های آن هم در نوع خودش مناسبه ، ازجمله :

· پشتیبانی از LoRA و QLoRA برای بهینه‌سازی حافظه

· تنوع در الگوریتم‌های هم‌ترازی (DPO، ORPO، KTO، SimPO) که نشان از انعطاف‌پذیری آن دارد.

· تشخیص خودکار GPU و تنظیم داینامیک Batch Size، نشان از بلوغ مهندسی آن دارد.


🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ این پروژه علاوه بر مزایایی که داره قطعا چالش های خاص خودش رو داره به عنوان مثال این فناوری مسئله‌ی «گنجایش» را حل کرده ، اما مسئله‌ی «زمان» را نه. روی سخت‌افزار ضعیف، فرآیند آموزش به شدت کند خواهد شد. در عمل، شما بین هزینه‌ی خرید GPU و هزینه‌ی وقت (زمان انتظار برای اتمام آموزش) یکی را انتخاب می‌کنید. با این حال، از بین بردن وابستگی به فضای ابری برای پروژه‌های حساس، یک برگ برنده‌ی غیرقابل انکار است.

به نظرم این پروژه یک پیام شفاف به صنعت می‌دهد : عصر حکمرانی هوش مصنوعی روی لپ‌تاپ‌های معمولی، دیگر یک رویا نیست؛ دارد جدی می‌شود.

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

چرا چندمدالیته؟

پزشکان برای تشخیص، فقط به یک تصویر اکتفا نمی‌کنند؛ بلکه داده‌های بالینی، آزمایشگاهی و سابقه بیمار را هم در نظر می‌گیرند.
مدل‌های هوش مصنوعی نیز وقتی چند منبع داده را همزمان ببینند، عملکرد بهتری دارند.

+ مثال معروف:
تشخیص پنومونی در عکس قفسه‌سینه (CXR) به تنهایی کافی نیست؛ علائمی مثل تب و شمارش گلبول‌های سفید هم لازم است تا افتراق از بیماری‌های مشابه ممکن شود...


🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ در این پردازش ، ۴ استراتژی اصلی انجام شده:

1️⃣ Early Fusion – ترکیب داده‌ها در ابتدای مسیر (قبل از ورود به شبکه)

2️⃣ Late Fusion – پردازش مجزای هر مدالیته و ترکیب در مرحله تصمیم‌گیری (مثلاً رأی‌گیری)

3️⃣ Joint Fusion – ترکیب ویژگی‌های
تصویری و بالینی قبل از ورود به لایه‌های نهایی

4️⃣ Slow Fusion – فیوژن تدریجی در طول شبکه (مخصوص داده‌های ویدئویی و دنباله‌ای)


🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

🆕️ معرفی پروژه GitHub Trend | nodeterm

با ما همراه باشید 🌱

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ پروژه nodeterm یک پلتفرم متن‌باز برای یکپارچه‌سازی محیط‌های ترمینال و عوامل هوش مصنوعی هستش که با الهام از مفاهیم گراف فضایی (Spatial Graph)، جایگزین رویکرد خطی تب‌محور می‌شود. هسته اش بر پایه معماری کلاینت-سرور با لایه‌های مجزای مدیریت جلسات (tmux-based)، موتور رندرینگ دو‌بعدی و دروازه اتصال به Agentها طراحی شده . هر نمونه اجرایی (Session) به‌صورت یک نود مستقل با چرخه حیات و وضعیت خاص خودش مدیریت می‌شود...

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍قابلیت‌های هسته و یکپارچه‌سازی :

۱. پشتیبانی از اکوسیستم Agent: سازگار با Claude Code، Codex، Gemini، GitHub Copilot، opencode و Grok؛ با امکان تعریف Agent سفارشی از طریق پلاگین.

۲. دو نمای عملیاتی: نمای Canvas برای چیدمان فضایی و نمای Kanban برای مدیریت گردش کار (Workflow) بدون قطع جریان اجرا.

۳. مانیتورینگ لحظه‌ای: نمایش وضعیت (RUNNING/WAITING/COMPLETED)، Context Meter جهت نظارت بر مصرف توکن، و نمایش زنده Transcript زیرساخت‌های فرعی (Subagents).

۴. کنترل صوتی محلی: پیاده‌سازی Whisper به‌صورت On-Device برای تبدیل گفتار به متن بدون ارسال داده به سرورهای خارجی.

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

اکوسیستم نودها و کاربردهای حرفه‌ای :

انواع نودهای قابل توسعه شامل Terminal، AI Agent، Sticky Note، Group، Monaco Editor، Diff Viewer، Web/Video Node هستش .

و کاربردهای کلیدی این پروژه :

· توسعه‌دهندگان Full-Stack با چندین سرویس همزمان
· تیم‌های MLOps برای نظارت بر اجرای همزمان مدل‌ها
· مهندسان Prompt برای ارزیابی همزمان چند Agent با زمینه‌های متفاوت
· مدرسان و ارائه‌دهندگان برای نمایش زنده جریان‌های کاری پیچیده

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

📽 نحوه ی تولید پاسخ توسط هوش مصنوعی

• ویدئویی جذاب از نحوه ی عملکرد هوش مصنوعی در تولید پاسخ

💡این مکانیسم بر اساس این حقیقت کار می کند که هر تصمیم حتی کوچک، می‌تواند منتهی به مسیر متفاوتی شود...

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage
#deep_learning
#aql_masnouei

🆕️ پدیده: «حرف زدن محصول » در ویدئوهای تبلیغاتی به یک ترند تبدیل شده!

✍دستورِ کارِ این ویدئوهای هوشمند ساده است ، با پرامپت مناسب شی مورد نظر شروع به صحبت می‌کند..

یکی از شاخص ترین نمونه ها، کمپین «خودهای هوشمند» (AI Selves) از شرکت Pika است. این شرکتِ تولیدکننده ی ویدئو با هوش مصنوعی، سرویسی عرضه کرد که کاربران میتوانستند یک «خودِ دیجیتال» را متولد و پرورش دهند. در تیزر تبلیغاتی این سرویس، کارمندان شرکت حاضر بودند و «خودِ هوشمندِ» آنها به صورت مستقل در توییتر پست میگذاشت، محتوا تولید میکرد و حتی ویدئوی معرفی میساخت. مدیرعامل Pika صراحتاً اعلام کرد : «آینده ی هوش مصنوعی، نمایندگی نیست؛ هویت است.»

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

🆕️ استفاده از روش‌های مدرن تصویربرداری در بررسی ساختار تومور

باماهمراه باشید 🌱

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ ساختارها و زیستگاه‌های تومور با استفاده از روش‌های مدرن تصویربرداری و آنالیز فضایی مورد بررسی قرار گرفته و محققان "میکرومنطقه‌های توموری" را به عنوان خوشه‌های متمایز سلول‌های سرطانی که توسط اجزای استرومایی جدا شده‌اند، تعریف کردند. ویژگی‌های این میکرومنطقه‌ها شامل: 

- اندازه و چگالی متفاوت در انواع سرطان، با بزرگترین میکرومنطقه‌ها در نمونه‌های متاستاتیک
- تقسیم‌بندی به "زیرکلون‌های فضایی" با تغییرات ژنتیکی مشترک
- فعالیت متابولیکی افزایش‌یافته در مرکز و ارائه آنتی‌ژن بیشتر در حاشیه‌های میکرومنطقه‌ها
- نفوذ متغیر سلول‌های T و حضور غالب ماکروفاژها در مرزهای تومور

+ همچنین با بازسازی ساختارهای سه‌بعدی تومور و آنالیز همسایگی‌های سلولی، نشانگرهای خستگی ایمنی در اطراف زیرکلون‌های تومور شناسایی شد. این یافته‌ها به درک چگونگی تکامل فضایی تومور در تعامل با محیط میکروسکوپی کمک می‌کند.

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

📑جزوه آموزشی طبقه بندی تصاویر از صفر

سلام و احترام وقت بخیر
این جزوه برای عزیزانی که علاقمند به پردازش تصویر هستند میتونه مفید باشه :)

درصورتیکه مثال‌هارو اجرا کردید و سوال و ابهامی در اجرای کدها بود ، میتونید با ادمین کانال مطرح کنید✨


👤@Intellimage_admin

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage