This media is not supported in your browser
VIEW IN TELEGRAM
✅ پروژه تشخیص و ردیابی #دود در ویدیو
دوستان شرکت کننده دردوره همانند این ویدیو پروژه جلسه 6 را تکمیل کرده ونتیجه را به ادمین کانال ارسال کنند
روش: ویژگی بافت + کلاسبند svm+ روش #رشدناحیه
✔️ @OnlineBME
دوستان شرکت کننده دردوره همانند این ویدیو پروژه جلسه 6 را تکمیل کرده ونتیجه را به ادمین کانال ارسال کنند
روش: ویژگی بافت + کلاسبند svm+ روش #رشدناحیه
✔️ @OnlineBME
✅انسان یا ماشین: هوش مصنوعی در تشخیص سرطان پوست از متخصصین پوست هم بهتر عمل می کند
👩🏫نویسنده: هما کاشفی امیری
🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.
🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.
🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.
🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.
🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.
🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانوم ها را تشخیص داد.
منبع:
https://m.medicalxpress.com/news/2018-05-machine-ai-dermatologists-skin-cancer.html
#خبر
#هوش_مصنوعی
#شبکه_عصبی_کانولوشنی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...
👩🏫نویسنده: هما کاشفی امیری
🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.
🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.
🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.
🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.
🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.
🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانوم ها را تشخیص داد.
منبع:
https://m.medicalxpress.com/news/2018-05-machine-ai-dermatologists-skin-cancer.html
#خبر
#هوش_مصنوعی
#شبکه_عصبی_کانولوشنی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...
Medicalxpress
Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...
بخش یازدهم پایتون.pdf
413.8 KB
📚 آموزش برنامه نویسی پایتون
#جلسه11_python
#functions_in_python
👩🏫 مدرس: مهندس معصومه دلگرمی 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME
#جلسه11_python
#functions_in_python
👩🏫 مدرس: مهندس معصومه دلگرمی 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME
✅ تشخیص ناراحتی قلبی با نگاه کردن به چشم افراد توسط الگوریتم جدید AI شرکت گوگل
👩💻 نویسنده: معصومه دلگرمی
✍️ دانشمندان شرکت گوگل و زیر مجموعه‌ی سلامت و فناوری آن، با استفاده از یادگیری ماشین روش جدیدی را برای دستیابی به میزان احتمال ابتلای افراد به بیماری قلبی کشف کردند. نرم افزار این شرکت از طریق آنالیز اسکن پشت چشم افراد، قادر به گرفتن داده‌ی دقیق (از جمله سن، فشار خون و اینکه آیا فرد سیگاری است یا نه) می باشد. پس از این روش می توان برای پیش بینی خطر ابتلا به بیماری های قلبی مانند حمله قلبی استفاده کرد. دقت این روش تقریباً برابر دقت روش های پیشین مرسوم است. این الگوریتم باعث می شود تا پزشکان سریعتر و راحت تر خطر ابتلا به بیماری قلبی عروقی را در یک فرد تحلیل کنند در حالی که این روش هیچگونه نیازی به آزمایش خون ندارد.
اما قبل از اینکه بتوان از این روش در یک محیط کلینیکی استفاده کرد، باید به طور کامل تست شده و از آن اطمینان پیدا کرد. مقاله ای که این کار را توصیف می کند، در مجله‌ی Bio medical Engineering منتشر شد. اگرچه این تحقیق قبل از بررسی به اشتراک گذاشته شده بود.
Luke Oakden-Rayrev
یک پزشک محقق در دانشگاه آدلاید (Adelaide) متخصص تجزیه تحلیل یادگیری ماشین است. وی به Verge گفت: این کار، یک کار Solid است و نشان می دهد چگونه AI می تواند به بهبود ابزارهای تشخیصی موجود کمک کند.
دانشمندان گوگل، برای آموزش این الگوریتم، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل مجموعه داده های پزشکی نزدیک به 300000 بیمار استفاده کردند. این اطلاعات شامل اسکن چشم بیمار و اطلاعات پزشکی عمومی است.
شبکه های عصبی به منظور استخراج اطلاعات برای الگوها و یادگیری علائم هشداردهنده در اسکن چشم با معیارهای مورد نیاز برای پیش بینی خطر ابتلا به بیماری قلبی عروقی (مانند: سن، فشار خون و ...) مورد استفاده قرار می گیرند.
اگرچه ایده‌ی نگاه کردن به چشم افراد برای قضاوت در مورد سلامت قلب، غیرمعمول به نظر می رسد اما از بدنه‌ی یک تحقیق ثابتی برگرفته شده است.
دیواره‌ی داخلی پشت چشم (فوندوس) پر از عروق خونی است که منعکس کننده‌ی سلامت کلی بدن است. پزشکان با مطالعه‌ی ظاهر این ناحیه با دوربین و میکروسکوپ، می توانند اطلاعاتی مانند فشار خون فرد، سن و اینکه آیا فرد سیگاری است یا خیر؛ که همه پیش بینی کننده‌های مهم سلامت قلب و عروق هستند را پیش بینی کنند.
هنگامی که تصاویر شبکیه‌ی دو بیمار ارائه شد یکی از آنها در مدت 5 سال بعد دچار یک رویداد قلبی عروقی شد و یکی از آنها نه، الگوریتم گوگل قادر به تشخیص این اتفاق بود. این روش تنها اندکی از روش Score بدتر بود. روش Score یک متدی برای پیش بینی خطر ابتلا به بیماری قلبی عروقی است که نیاز به آزمایش خون دارد و در 72 درصد از موارد به درستی پیش بینی می کند.
Alun Hughes
استاد فیزیولوژی و فارماکولوژی در دانشگاه UCL لندن گفت: رویکرد گوگل به دلیل تاریخچه‌ی طولانی ای که در زمینه پیش بینی خطر ابتلا به بیماری قلبی عروقی دارد، معتبر و مؤثر است.
وی اضافه کرد هوش مصنوعی توانایی افزایش سرعت در تجزیه و تحلیل پزشکی را دارد اما هشدار داده که الگوریتم قبل از آنکه مورد اعتماد قرار بگیرد، باید ابتدا مورد آزمایش قرار بگیرد.
برای گوگل، این فراتر از یک روش جدید برای پیش بینی خطر ابتلا به ناراحتی قلبی است. در واقع راهی است به سوی یک کشف علمی جدید.
اکثر الگوریتم های پزشکی، به عنوان جایگزینی برای ابزارهای تشخیصی موجود ایجاد می شوند (مانند تشخیص سرطان پوست). این الگوریتم روش های جدیدی را برای تجزیه و تحلیل داده های پزشکی موجود پیدا کرده است.
با وجود داده های کافی، امیدوار است که هوش مصنوعی بتواند بینش کاملاً پزشکی جدیدی را بدون جهت انسانی ایجاد کند.
احتمالاً یکی از دلایل اینکه گوگل چنین پروژه هایی را به صورت خلاقانه ایجاد کرده، جمع آوری پرونده های پزشکی 10000 نفر طی 4 سال است.
منبع:
https://www.theverge.com/2018/2/19/17027902/google-verily-ai-algorithm-eye-scan-heart-disease-cardiovascular-risk
#خبر
#هوش_مصنوعی
#بیماری_قلبی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
👩💻 نویسنده: معصومه دلگرمی
✍️ دانشمندان شرکت گوگل و زیر مجموعه‌ی سلامت و فناوری آن، با استفاده از یادگیری ماشین روش جدیدی را برای دستیابی به میزان احتمال ابتلای افراد به بیماری قلبی کشف کردند. نرم افزار این شرکت از طریق آنالیز اسکن پشت چشم افراد، قادر به گرفتن داده‌ی دقیق (از جمله سن، فشار خون و اینکه آیا فرد سیگاری است یا نه) می باشد. پس از این روش می توان برای پیش بینی خطر ابتلا به بیماری های قلبی مانند حمله قلبی استفاده کرد. دقت این روش تقریباً برابر دقت روش های پیشین مرسوم است. این الگوریتم باعث می شود تا پزشکان سریعتر و راحت تر خطر ابتلا به بیماری قلبی عروقی را در یک فرد تحلیل کنند در حالی که این روش هیچگونه نیازی به آزمایش خون ندارد.
اما قبل از اینکه بتوان از این روش در یک محیط کلینیکی استفاده کرد، باید به طور کامل تست شده و از آن اطمینان پیدا کرد. مقاله ای که این کار را توصیف می کند، در مجله‌ی Bio medical Engineering منتشر شد. اگرچه این تحقیق قبل از بررسی به اشتراک گذاشته شده بود.
Luke Oakden-Rayrev
یک پزشک محقق در دانشگاه آدلاید (Adelaide) متخصص تجزیه تحلیل یادگیری ماشین است. وی به Verge گفت: این کار، یک کار Solid است و نشان می دهد چگونه AI می تواند به بهبود ابزارهای تشخیصی موجود کمک کند.
دانشمندان گوگل، برای آموزش این الگوریتم، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل مجموعه داده های پزشکی نزدیک به 300000 بیمار استفاده کردند. این اطلاعات شامل اسکن چشم بیمار و اطلاعات پزشکی عمومی است.
شبکه های عصبی به منظور استخراج اطلاعات برای الگوها و یادگیری علائم هشداردهنده در اسکن چشم با معیارهای مورد نیاز برای پیش بینی خطر ابتلا به بیماری قلبی عروقی (مانند: سن، فشار خون و ...) مورد استفاده قرار می گیرند.
اگرچه ایده‌ی نگاه کردن به چشم افراد برای قضاوت در مورد سلامت قلب، غیرمعمول به نظر می رسد اما از بدنه‌ی یک تحقیق ثابتی برگرفته شده است.
دیواره‌ی داخلی پشت چشم (فوندوس) پر از عروق خونی است که منعکس کننده‌ی سلامت کلی بدن است. پزشکان با مطالعه‌ی ظاهر این ناحیه با دوربین و میکروسکوپ، می توانند اطلاعاتی مانند فشار خون فرد، سن و اینکه آیا فرد سیگاری است یا خیر؛ که همه پیش بینی کننده‌های مهم سلامت قلب و عروق هستند را پیش بینی کنند.
هنگامی که تصاویر شبکیه‌ی دو بیمار ارائه شد یکی از آنها در مدت 5 سال بعد دچار یک رویداد قلبی عروقی شد و یکی از آنها نه، الگوریتم گوگل قادر به تشخیص این اتفاق بود. این روش تنها اندکی از روش Score بدتر بود. روش Score یک متدی برای پیش بینی خطر ابتلا به بیماری قلبی عروقی است که نیاز به آزمایش خون دارد و در 72 درصد از موارد به درستی پیش بینی می کند.
Alun Hughes
استاد فیزیولوژی و فارماکولوژی در دانشگاه UCL لندن گفت: رویکرد گوگل به دلیل تاریخچه‌ی طولانی ای که در زمینه پیش بینی خطر ابتلا به بیماری قلبی عروقی دارد، معتبر و مؤثر است.
وی اضافه کرد هوش مصنوعی توانایی افزایش سرعت در تجزیه و تحلیل پزشکی را دارد اما هشدار داده که الگوریتم قبل از آنکه مورد اعتماد قرار بگیرد، باید ابتدا مورد آزمایش قرار بگیرد.
برای گوگل، این فراتر از یک روش جدید برای پیش بینی خطر ابتلا به ناراحتی قلبی است. در واقع راهی است به سوی یک کشف علمی جدید.
اکثر الگوریتم های پزشکی، به عنوان جایگزینی برای ابزارهای تشخیصی موجود ایجاد می شوند (مانند تشخیص سرطان پوست). این الگوریتم روش های جدیدی را برای تجزیه و تحلیل داده های پزشکی موجود پیدا کرده است.
با وجود داده های کافی، امیدوار است که هوش مصنوعی بتواند بینش کاملاً پزشکی جدیدی را بدون جهت انسانی ایجاد کند.
احتمالاً یکی از دلایل اینکه گوگل چنین پروژه هایی را به صورت خلاقانه ایجاد کرده، جمع آوری پرونده های پزشکی 10000 نفر طی 4 سال است.
منبع:
https://www.theverge.com/2018/2/19/17027902/google-verily-ai-algorithm-eye-scan-heart-disease-cardiovascular-risk
#خبر
#هوش_مصنوعی
#بیماری_قلبی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
The Verge
Google’s new AI algorithm predicts heart disease by looking at your eyes
The eyes have it.
onlinebme
ربات هوش مصنوعی به فضا می رود! ✔️ @onlineBME
نام این ربات CIMON یا مخفف Crew Interactive Mobile companion است.
🔶این ربات دستیار فضانورد که توسط شرکت های Airbus و IBM طراحی شده است به فضانوردان آژانس فضایی اروپا کمک می کند.
🔶هدف از این پروژه کاهش استرس فضانوردان و حجم کار آنها در طی پروازهای فضایی است.
🔶هرچقدر CIMON در ایستگاه فضایی اقامت طولانی تر داشته باشد، هوشمندتر شده و اطلاعات بیشتری از محیط بدست می آورد.
🔶محققان CIMON را به جای شمایل انسانی به صورت یک توپ طراحی کرده اند که به راحتی در فضا شناور می شود، وزن آن در حدود 11 پوند و کمی بزرگتر از توپ بسکتبال است.
🔶این ربات اولین دستیار هوش مصنوعی فضانورد خودمختار است و به لطف اپلیکیشن های تشخیص چهره می تواند همه ی اعضای یک تیم فضایی را بشناسند و با آنها ارتباط برقرار کند.😊😊
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
🔶این ربات دستیار فضانورد که توسط شرکت های Airbus و IBM طراحی شده است به فضانوردان آژانس فضایی اروپا کمک می کند.
🔶هدف از این پروژه کاهش استرس فضانوردان و حجم کار آنها در طی پروازهای فضایی است.
🔶هرچقدر CIMON در ایستگاه فضایی اقامت طولانی تر داشته باشد، هوشمندتر شده و اطلاعات بیشتری از محیط بدست می آورد.
🔶محققان CIMON را به جای شمایل انسانی به صورت یک توپ طراحی کرده اند که به راحتی در فضا شناور می شود، وزن آن در حدود 11 پوند و کمی بزرگتر از توپ بسکتبال است.
🔶این ربات اولین دستیار هوش مصنوعی فضانورد خودمختار است و به لطف اپلیکیشن های تشخیص چهره می تواند همه ی اعضای یک تیم فضایی را بشناسند و با آنها ارتباط برقرار کند.😊😊
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
This media is not supported in your browser
VIEW IN TELEGRAM
تصویری از چشم طوفان فلورانس که راهی ساحل جنوب‌شرقی آمریکاست و فردا به خشکی می‌رسد.
احتمالا سنگین‌ترین طوفان ٢۵سال اخیر در آمریکا میشود.
به بیش از ١.۵میلیون نفر در مسیر طوفان دستور تخلیه داده‌اند.
احتمالا سنگین‌ترین طوفان ٢۵سال اخیر در آمریکا میشود.
به بیش از ١.۵میلیون نفر در مسیر طوفان دستور تخلیه داده‌اند.
#آقازادەھای_واقعی 👌
۱۶ نفر از دانش آموزان قشر فقیر یک کلاس در شهرستان سراوان سیستان و بلوچستان موفق به قبولی در رشته پزشکی شدند، یک نفر هم در رشته داروسازی پذیرفته شد
✔️ @OnlineBME
۱۶ نفر از دانش آموزان قشر فقیر یک کلاس در شهرستان سراوان سیستان و بلوچستان موفق به قبولی در رشته پزشکی شدند، یک نفر هم در رشته داروسازی پذیرفته شد
✔️ @OnlineBME
onlinebme
M_learning8.pdf
M_learning9.pdf
1.2 MB
📕📒📗یادگیری ماشین
#جلسه_نهم( #ML9 ) :
ادامه الگوریتم ژنتیک
👩🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML9
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
#جلسه_نهم( #ML9 ) :
ادامه الگوریتم ژنتیک
👩🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML9
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
onlinebme
جلسه پنجم.pdf
جلسه ششم.pdf
1.9 MB
📋 #جزوه خام جلسه 6 #پردازش_تصویر
☑️ روشها و پارامترهای ارزیابی کلاسبند|تبدیل #موجک|#ادغام تصاویر| #انطباق تصاویر| تشخیص نوع تومور غدد بزاقی | تشخیص موقعیت دست | تشخیص دود در ویدیو| #PCA
✔️ @onlineBME
☑️ روشها و پارامترهای ارزیابی کلاسبند|تبدیل #موجک|#ادغام تصاویر| #انطباق تصاویر| تشخیص نوع تومور غدد بزاقی | تشخیص موقعیت دست | تشخیص دود در ویدیو| #PCA
✔️ @onlineBME
onlinebme
#ترند دوم: بهبود تصویربرداری پزشکی(Medical Imaging) ✍ تصویربرداری پزشکی دیگر به اشعه ایکس دو بعدی محدود نمی شود. ما در حال حاضر سونوگرافی، سی تی اسکن، MRI و فن آوری های دیگری هستیم. با این حال مهندسان پزشکی به شدت در حال توسعه گزینه های تصویربرداری جدید و…
🌐 بهبود تصویربرداری سه بعدی جهت پیشبرد درمان بیماریهای مغزی
👨💻نویسنده : محمد نوری زاده چرلو
✍محققان ترکیبی از سخت افزار تجاری و نرم افزار منبع باز(open source) توسعه داده اند که تصویربرداری سه بعدی و دوبعدی از مغز و سایر بافتها را سریع انجام میدهد. با بکارگیری یکپارچه سریعترین تصویربرداری سه بعدی، که در حال حاضر در دسترس است، پیشرفت میکروسکوپی میتواند به دانشمندان در درک بهتر #دینامیک_مغز کمک کند تا درمانهای جدیدی برای بیماریهایی از قبیل #سکته_مغزی، #صرع و #زوال_مغز پیدا کنند.
در آپتیکا، مجله انجمن نورپردازی ، محققان PySight را ارائه کرده اند که برای میکروسکوپهای اسکن لیزری به عنوان یک افزونی عمل میکند. با استفاده از این ترکیب جدید نرم افزار و سخت افزار، محققان کیفیت تصویر برداری سه بعدی و دو بعدی از فعالیتهای عصبی در مغز زنده را بهبود داده اند.
از آنجا که از اعماق بافت میتوان تصویربرداری کرد، معمولا از روش تصویربردای شناخته شده ی میکروسکوپ چند فتونی برای مطالعه الگوهای فعالیت سریع نورنها، عروق خونی و سایر سلولهایی که رزولوشن زمانی مناسبی دارند، استفاده میشود.
روش میکروسکوپی از پالسهای لیزری برای تحریک پروپهای فلورسانت که باعث انتشار فوتونها میشود استفاده میکند که در نتیجه این تحریک برخی از آنها تشخیص داده شده و برای تصاویر سه بعدی و دوبعدی استفاده می‌شوند.
دانشمندان برای اینکه بتوانند تمام فعالیتهای عصبی را دریافت کنند، مجبور هستند که تصویربردای سریع انجام دهند. در نتیجه، این عمل باعث میشود که فوتونهای کمتری جهت ساخت تصاویر قابل دسترس باشد. این عمل دقیقا مثل این می ماند که شما یک تصویر را خیلی سریع بگیرید!
چالش اینجاست که چگونه یک تصویر معناداری در چنین شرایطی اخذ کنند!؟ 🤔
برای حل این چالش، میکروسکوپیست ها یک روشی بنام شمارش فوتون استفاده میکنند.
اما پیاده سازی این روش نیاز به دانش زیاد در زمینه #الکترونیک دارد که به خاطر همین هرگز به طور گسترده پذیرفته نشده است.
به خاطر پروسه نصب آسان PySight و ادغام آن با سخت افزار پیشرفته این نگرانی ها را از بین می برد.
علاوه بر پیشبرد تحقیقات تصویربرداری عصبی،PySight میتواند شناسایی سریع سلولهای بدخیم در بیماران را با استفاده از میکروسکوپ چندفوتونی بهبود بخشد.
#خبر
#تصویربردای
#مهندسی_پزشکی
#فعالیت_عصبی
منبع:
https://phys.org/news/2018-09-d-imaging-poised-advance-treatments.html
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
👨💻نویسنده : محمد نوری زاده چرلو
✍محققان ترکیبی از سخت افزار تجاری و نرم افزار منبع باز(open source) توسعه داده اند که تصویربرداری سه بعدی و دوبعدی از مغز و سایر بافتها را سریع انجام میدهد. با بکارگیری یکپارچه سریعترین تصویربرداری سه بعدی، که در حال حاضر در دسترس است، پیشرفت میکروسکوپی میتواند به دانشمندان در درک بهتر #دینامیک_مغز کمک کند تا درمانهای جدیدی برای بیماریهایی از قبیل #سکته_مغزی، #صرع و #زوال_مغز پیدا کنند.
در آپتیکا، مجله انجمن نورپردازی ، محققان PySight را ارائه کرده اند که برای میکروسکوپهای اسکن لیزری به عنوان یک افزونی عمل میکند. با استفاده از این ترکیب جدید نرم افزار و سخت افزار، محققان کیفیت تصویر برداری سه بعدی و دو بعدی از فعالیتهای عصبی در مغز زنده را بهبود داده اند.
از آنجا که از اعماق بافت میتوان تصویربرداری کرد، معمولا از روش تصویربردای شناخته شده ی میکروسکوپ چند فتونی برای مطالعه الگوهای فعالیت سریع نورنها، عروق خونی و سایر سلولهایی که رزولوشن زمانی مناسبی دارند، استفاده میشود.
روش میکروسکوپی از پالسهای لیزری برای تحریک پروپهای فلورسانت که باعث انتشار فوتونها میشود استفاده میکند که در نتیجه این تحریک برخی از آنها تشخیص داده شده و برای تصاویر سه بعدی و دوبعدی استفاده می‌شوند.
دانشمندان برای اینکه بتوانند تمام فعالیتهای عصبی را دریافت کنند، مجبور هستند که تصویربردای سریع انجام دهند. در نتیجه، این عمل باعث میشود که فوتونهای کمتری جهت ساخت تصاویر قابل دسترس باشد. این عمل دقیقا مثل این می ماند که شما یک تصویر را خیلی سریع بگیرید!
چالش اینجاست که چگونه یک تصویر معناداری در چنین شرایطی اخذ کنند!؟ 🤔
برای حل این چالش، میکروسکوپیست ها یک روشی بنام شمارش فوتون استفاده میکنند.
اما پیاده سازی این روش نیاز به دانش زیاد در زمینه #الکترونیک دارد که به خاطر همین هرگز به طور گسترده پذیرفته نشده است.
به خاطر پروسه نصب آسان PySight و ادغام آن با سخت افزار پیشرفته این نگرانی ها را از بین می برد.
علاوه بر پیشبرد تحقیقات تصویربرداری عصبی،PySight میتواند شناسایی سریع سلولهای بدخیم در بیماران را با استفاده از میکروسکوپ چندفوتونی بهبود بخشد.
#خبر
#تصویربردای
#مهندسی_پزشکی
#فعالیت_عصبی
منبع:
https://phys.org/news/2018-09-d-imaging-poised-advance-treatments.html
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
phys.org
Enhanced 3-D imaging poised to advance treatments for brain diseases
Researchers have developed a combination of commercially available hardware and open-source software, named PySight, which improves rapid 2-D and 3-D imaging of the brain and other tissues. By seamlessly ...
onlinebme
ساخت موسیقی با استفاده از تصور #سیگنالهای_مغزی #EEG #BCI ➖➖➖➖ ✔️ @OnlineBME
🌐 ساخت موسیقی تنها با #ذهن و تفکر 🎶🎶🎶🎶🎶🎶
خلاصه: متخصصان مغز و اعصاب یک ابزار موسیقی ابداع کرده اند که بدون دخالت دست و تنها با کمک ذهن میتوان موسیقی ساخت.
👨💻نویسنده: محمد نوری زاده چرلو
✍متخصصان امیدوارند که ابزار در توانمندسازی بیماران مبتلا به اختلالات حرکتی مثل کسانی که سکته مغزی، آسیب نخاعی، آمپوتاسیون یا اسکلروز جانبی جانبی آمیوتروفی (ALS) دیده اند.
توماس دئول، متخصص مغز و اعصاب مرکز پزشکی سوئد و یک متخصص مغز و اعصاب در دانشگاه واشنگتن، نخستین نویسندگان این گزارش، توضیح می دهند که: انسفالوفن یک ابزار موسیقی است که تنها با استفاده از مغز کنترل میشود و هیچ حرکتی برای کنترل آن نیاز نیست.
دیوئل می گوید: "من یک موسیقیدان و متخصص مغز و اعصاب هستم، و بسیاری از بیماران را ملاقات کرده ام که قبل از سکته سکته مغزی یا سایر اختلالات حرکتی موسیقیدان بوده اند و نوازندگی می‌کرده اند، که دیگر نمی توانند نوازندگی کنند و یا آواز بخوانند". " فکر کردم چقدر عالی میشود اگر یک ابزار موسیقی ساخت که با استفاده از ابزار مغز رایانه ای (#BCI) به بیماران امکان ساخت موسیقی بدون نیاز به هیچ حرکتی دهد."
انسفالوفون سیگنالهای مغزی را از طریقی کلاهکی جمع آوری میکند و سیگنالهای خاصی را به نوتهای خاص موسیقی تبدیل میکند.
این اختراع یک سینت سایزر به همراه دارد که به کاربر امکان ساخت موسیقی با استفاده از طیف گسترده ای از صداهای ابزاری را فراهم میکند.
دکتر دئول انسفالوفون را در آزمایشگاه مستقل خود، با همکاری دکتر فلیکس داراس، فیزیکدان دانشگاه واشنگتن، توسعه داد (ثبت اختراع کرد). در گزارش اول، آنها ساختار دستگاه خود را توضیح دادند و همچنین مطالعات اولیه آنها مستنداتی نشان می دهد که چگونه این ابزار به راحتی می تواند مورد استفاده قرار گیرد.
این مطالعه مقدماتی نشان داد که یک گروه آزمایشی از 15 فرد بزرگسال سالم قادر به استفاده از ابزار برای ساخت صداهای موسیقی، بدون نیاز به آموزش قبلی، هستند.
دئول: ما برای اولین بار تلاش کردیم تا ثابت کنیم که تازه کارهایی که هیچ آموزشی برای استفاده از انسفالوفون ندیده اند، میتوانند با دقت بیشتری نسبت به سطح شانسی(Chance level) دستگاه را کنترل کنند.
انسفالوفون را میتوان توسط دو نوع از سیگنال مغزی مستقل کنترل کرد: سیگنالهایی که مرتبط با قشربصری ( جشمان بسته) و یا سیگنالهایی که مربوط به تصور حرکتی هستند.
کنترل با استفاده از تصور حرکتی ممکن است بهترین روش برای افراد معلول حرکتی باشد، که آقای دئول قصد دارد تا تحقیق در این زمنیه را ادامه دهد. اما در حال حاضر، مطالعه فعلی نشان داد که در این گروه آزمایشی کوچک، کنترل دستگاه با استفاده از سیگنالهای مرتبط با قشر بصری در مقایسه با تصور حرکتی دقیق تر است.
انسفالوفون براساس BCI (رابط مغز و کامپیوتر) است که از یک روش قدیمی برای ثبت سیگنال استفاد میکند، این روش الکتروانسفالوگرافی نامیده می شود، که سیگنالهای الکتریکی در مغز را اندازه گیری کرده و ثبت میکند. دانشندان برای اولین بار در سال 1930 شروع با تبدیل سیگنالهای مغزی به صدا شدند، و بعدها در سال 1960 سیگنالهای مغزی را به موسیقی تبدیل کردند. اما کنترل این روشها هنوزم که هنوزه سخت است و به راحتی قابل دسترس کاربران غیرمتخصص نیستند.
دئول: "پتانسیل بسیار بالایی برای انسفالوفون وجود دارد تا توانبخشی بیماران مبتلا به سکته مغزی و کسانی که دارای اختلالات حرکتی هستند بهبود بخشد."
منبع:
https://www.sciencedaily.com/releases/2017/07/170712110510.htm
مقاله:
1. Thomas A. Deuel, Juan Pampin, Jacob Sundstrom, Felix Darvas. The Encephalophone: A Novel Musical Biofeedback Device using Conscious Control of Electroencephalogram (EEG). Frontiers in Human Neuroscience, 2017; 11 DOI: 10.3389/fnhum.2017.00213
#خبر
#مهندسی_پزشکی
#واسط_مغز_کامپیوتر
#BCI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
خلاصه: متخصصان مغز و اعصاب یک ابزار موسیقی ابداع کرده اند که بدون دخالت دست و تنها با کمک ذهن میتوان موسیقی ساخت.
👨💻نویسنده: محمد نوری زاده چرلو
✍متخصصان امیدوارند که ابزار در توانمندسازی بیماران مبتلا به اختلالات حرکتی مثل کسانی که سکته مغزی، آسیب نخاعی، آمپوتاسیون یا اسکلروز جانبی جانبی آمیوتروفی (ALS) دیده اند.
توماس دئول، متخصص مغز و اعصاب مرکز پزشکی سوئد و یک متخصص مغز و اعصاب در دانشگاه واشنگتن، نخستین نویسندگان این گزارش، توضیح می دهند که: انسفالوفن یک ابزار موسیقی است که تنها با استفاده از مغز کنترل میشود و هیچ حرکتی برای کنترل آن نیاز نیست.
دیوئل می گوید: "من یک موسیقیدان و متخصص مغز و اعصاب هستم، و بسیاری از بیماران را ملاقات کرده ام که قبل از سکته سکته مغزی یا سایر اختلالات حرکتی موسیقیدان بوده اند و نوازندگی می‌کرده اند، که دیگر نمی توانند نوازندگی کنند و یا آواز بخوانند". " فکر کردم چقدر عالی میشود اگر یک ابزار موسیقی ساخت که با استفاده از ابزار مغز رایانه ای (#BCI) به بیماران امکان ساخت موسیقی بدون نیاز به هیچ حرکتی دهد."
انسفالوفون سیگنالهای مغزی را از طریقی کلاهکی جمع آوری میکند و سیگنالهای خاصی را به نوتهای خاص موسیقی تبدیل میکند.
این اختراع یک سینت سایزر به همراه دارد که به کاربر امکان ساخت موسیقی با استفاده از طیف گسترده ای از صداهای ابزاری را فراهم میکند.
دکتر دئول انسفالوفون را در آزمایشگاه مستقل خود، با همکاری دکتر فلیکس داراس، فیزیکدان دانشگاه واشنگتن، توسعه داد (ثبت اختراع کرد). در گزارش اول، آنها ساختار دستگاه خود را توضیح دادند و همچنین مطالعات اولیه آنها مستنداتی نشان می دهد که چگونه این ابزار به راحتی می تواند مورد استفاده قرار گیرد.
این مطالعه مقدماتی نشان داد که یک گروه آزمایشی از 15 فرد بزرگسال سالم قادر به استفاده از ابزار برای ساخت صداهای موسیقی، بدون نیاز به آموزش قبلی، هستند.
دئول: ما برای اولین بار تلاش کردیم تا ثابت کنیم که تازه کارهایی که هیچ آموزشی برای استفاده از انسفالوفون ندیده اند، میتوانند با دقت بیشتری نسبت به سطح شانسی(Chance level) دستگاه را کنترل کنند.
انسفالوفون را میتوان توسط دو نوع از سیگنال مغزی مستقل کنترل کرد: سیگنالهایی که مرتبط با قشربصری ( جشمان بسته) و یا سیگنالهایی که مربوط به تصور حرکتی هستند.
کنترل با استفاده از تصور حرکتی ممکن است بهترین روش برای افراد معلول حرکتی باشد، که آقای دئول قصد دارد تا تحقیق در این زمنیه را ادامه دهد. اما در حال حاضر، مطالعه فعلی نشان داد که در این گروه آزمایشی کوچک، کنترل دستگاه با استفاده از سیگنالهای مرتبط با قشر بصری در مقایسه با تصور حرکتی دقیق تر است.
انسفالوفون براساس BCI (رابط مغز و کامپیوتر) است که از یک روش قدیمی برای ثبت سیگنال استفاد میکند، این روش الکتروانسفالوگرافی نامیده می شود، که سیگنالهای الکتریکی در مغز را اندازه گیری کرده و ثبت میکند. دانشندان برای اولین بار در سال 1930 شروع با تبدیل سیگنالهای مغزی به صدا شدند، و بعدها در سال 1960 سیگنالهای مغزی را به موسیقی تبدیل کردند. اما کنترل این روشها هنوزم که هنوزه سخت است و به راحتی قابل دسترس کاربران غیرمتخصص نیستند.
دئول: "پتانسیل بسیار بالایی برای انسفالوفون وجود دارد تا توانبخشی بیماران مبتلا به سکته مغزی و کسانی که دارای اختلالات حرکتی هستند بهبود بخشد."
منبع:
https://www.sciencedaily.com/releases/2017/07/170712110510.htm
مقاله:
1. Thomas A. Deuel, Juan Pampin, Jacob Sundstrom, Felix Darvas. The Encephalophone: A Novel Musical Biofeedback Device using Conscious Control of Electroencephalogram (EEG). Frontiers in Human Neuroscience, 2017; 11 DOI: 10.3389/fnhum.2017.00213
#خبر
#مهندسی_پزشکی
#واسط_مغز_کامپیوتر
#BCI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
ScienceDaily
Creating music by thought alone
Neurologists have created a hands-free, thought-controlled musical instrument. They hope that this new instrument will help empower and rehabilitate patients with motor disabilities such as those from stroke, spinal cord injury, amputation, or amyotrophic…
✅اولین موج سخت افزارهای شبکه عصبی اسپایکی
👩🏫نویسنده: هما کاشفی امیری
🔶در چند سال گذشته شاهد معماری های سخت افزاری جدید برای آموزش یادگیری عمیق بوده ایم اما در سال جاری، این معماری ها به نقطه ی عطف خود رسیده اند. تراشه هایی که می توانند دو حجم کاری را روی یک دستگاه مدیریت کنند، هرچند بازار هنوز در انتظار ورود این تراشه هاست.
🔶اکثر دستگاه های مربوط به شبکه های عصبی کانولوشنی، بازگشتی و سایر شبکه های عصبی بزرگ به مقدار نسبتاً زیادی حافظه ی در تراشه برای ذخیره ی وزن ها و لایه های فرآیندهای آموزش تکراری طولانی نیاز دارند. با در اختیار داشتن تراشه های مرکز داده که هر دو روند آموزش و تست را انجام می دهند، همان قطعه ی سیلیکونی بزرگ عملکرد بسیار بهتری خواهد داشت اما هرگز کارآمد نیست.
🔶این نواقص معماری های تراشه های حافظه AI مسیر جدیدی را پیش روی دستگاه های نورومورفیک و همچنین سایر روش های یادگیری ماشین از جمله شبکه های عصبی اسپایکی گشوده اند.
🔶محصولات True North متعلق به شرکتIBM و Loihiشرکت اینتل هنوز به محصولات سخت افزاری نئومورفیک تبدیل نشده اند و بیشتر تلاش های پژوهشی متمرکز بر مدلسازی نورون هاست به جای آنکه بر روند انتقال محاسبات نئومورفیک به خطوط تراشهAIتمرکز شود.
🔶این شرایط، فرصتی را برای شرکت Brainchip ارائه کرد که جزئیات اولیه ی معماری نئومورفیک خود را برای شبکه های عصبی اسپایکی منتشر کند که هم آموزش و هم تست را هدف قرار داده است و برای حوزه هایی چون بینایی ماشین، تکنیک های مالی و امنیت سایبری مدنظر قرار می گیرد. شرکت کارایی تراشه های AI کنونی را مدنظر قرار داده و نشان داده است که چگونه شبکه های اسپایکی می توانند مزیت های عمده ی نرم افزاری را مورد استفاده قرار دهند و شبکه های کانولوشنی بسازند که انتقال اسپایک ساده تر صورت گیرد.
🔶به طور قطع اعلام می کنیم که این اولین سیلیکون ساخته شده روی SNN با نوع معماری نئومورفیک نیست، اما اولین سیلیکونی است که برای اهداف یادگیری عمیق توسعه یافته است.
🔷توان عامل بسیار مهمی در سخت افزار اما برای چنین کاربردهایی مصرف زیر پنج وات مناسب است. ادعای Brainchip این است که بخش پس انتشار خطا و فرآیند تکراری CNN، سربار بسیار زیادی تولید می کنند. ایده این است که داده را از طریق شبکه برای آموزش بفرستیم و وزن سیناپسی و آستانه ی شلیک نورونی را انجام دهیم و با داده ی کمتر به بخش تست برگردیم که در آن حافظه ی فشرده برای هر واحد محاسبه بکار رود. به این صورت هیچHBM، هیچ واحد MAC و هیچ سربار توانی نداریم
🔷ادعای Brainchip این است شبکه ی کانولوشنی مشابه مدلسازی نورون با یک فیلتر بزرگ و وزن هاست، ضرب تکراری ماتریس جبر خطی روی داده در هر لایه و حافظه ی مورد نیاز و واحدهای MAC به تراشه های با توان بسیار بالا نیازمندند. به جای استفاده از این رویکرد کانولوشنی، SNN تابع نورونی را با سیناپس ها و نورون ها را با اسپایک های بین نورون ها مدل می کند. شبکه از طریق فرآیند تقویت و مهار این اسپایک ها آموزش می بیند (اسپایک های تکراری، تقویت کننده هستند).
🔷قابلیت تغییر آستانه ی شلیک نورونی و حساسیت به این اسپایک ها یک روش موثر و متفاوت برای آموزش است که البته محدودیت های پیچیدگی دارد. به این ترتیب به حافظه ی کمتر (حافظه ی 6 مگابایتی در هر هسته ی عصبی) نیاز خواهیم داشت
منبع:
https://www.nextplatform.com/2018/09/11/first-wave-of-spiking-neural-network-hardware-hits/
#خبر
#هوش_مصنوعی
#شبکه‌های_عصبی #اسپایکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
First Wave of Spiking Neural Network Hardware Hits
Over the last several years we have seen many new hardware architectures emerge for deep learning
👩🏫نویسنده: هما کاشفی امیری
🔶در چند سال گذشته شاهد معماری های سخت افزاری جدید برای آموزش یادگیری عمیق بوده ایم اما در سال جاری، این معماری ها به نقطه ی عطف خود رسیده اند. تراشه هایی که می توانند دو حجم کاری را روی یک دستگاه مدیریت کنند، هرچند بازار هنوز در انتظار ورود این تراشه هاست.
🔶اکثر دستگاه های مربوط به شبکه های عصبی کانولوشنی، بازگشتی و سایر شبکه های عصبی بزرگ به مقدار نسبتاً زیادی حافظه ی در تراشه برای ذخیره ی وزن ها و لایه های فرآیندهای آموزش تکراری طولانی نیاز دارند. با در اختیار داشتن تراشه های مرکز داده که هر دو روند آموزش و تست را انجام می دهند، همان قطعه ی سیلیکونی بزرگ عملکرد بسیار بهتری خواهد داشت اما هرگز کارآمد نیست.
🔶این نواقص معماری های تراشه های حافظه AI مسیر جدیدی را پیش روی دستگاه های نورومورفیک و همچنین سایر روش های یادگیری ماشین از جمله شبکه های عصبی اسپایکی گشوده اند.
🔶محصولات True North متعلق به شرکتIBM و Loihiشرکت اینتل هنوز به محصولات سخت افزاری نئومورفیک تبدیل نشده اند و بیشتر تلاش های پژوهشی متمرکز بر مدلسازی نورون هاست به جای آنکه بر روند انتقال محاسبات نئومورفیک به خطوط تراشهAIتمرکز شود.
🔶این شرایط، فرصتی را برای شرکت Brainchip ارائه کرد که جزئیات اولیه ی معماری نئومورفیک خود را برای شبکه های عصبی اسپایکی منتشر کند که هم آموزش و هم تست را هدف قرار داده است و برای حوزه هایی چون بینایی ماشین، تکنیک های مالی و امنیت سایبری مدنظر قرار می گیرد. شرکت کارایی تراشه های AI کنونی را مدنظر قرار داده و نشان داده است که چگونه شبکه های اسپایکی می توانند مزیت های عمده ی نرم افزاری را مورد استفاده قرار دهند و شبکه های کانولوشنی بسازند که انتقال اسپایک ساده تر صورت گیرد.
🔶به طور قطع اعلام می کنیم که این اولین سیلیکون ساخته شده روی SNN با نوع معماری نئومورفیک نیست، اما اولین سیلیکونی است که برای اهداف یادگیری عمیق توسعه یافته است.
🔷توان عامل بسیار مهمی در سخت افزار اما برای چنین کاربردهایی مصرف زیر پنج وات مناسب است. ادعای Brainchip این است که بخش پس انتشار خطا و فرآیند تکراری CNN، سربار بسیار زیادی تولید می کنند. ایده این است که داده را از طریق شبکه برای آموزش بفرستیم و وزن سیناپسی و آستانه ی شلیک نورونی را انجام دهیم و با داده ی کمتر به بخش تست برگردیم که در آن حافظه ی فشرده برای هر واحد محاسبه بکار رود. به این صورت هیچHBM، هیچ واحد MAC و هیچ سربار توانی نداریم
🔷ادعای Brainchip این است شبکه ی کانولوشنی مشابه مدلسازی نورون با یک فیلتر بزرگ و وزن هاست، ضرب تکراری ماتریس جبر خطی روی داده در هر لایه و حافظه ی مورد نیاز و واحدهای MAC به تراشه های با توان بسیار بالا نیازمندند. به جای استفاده از این رویکرد کانولوشنی، SNN تابع نورونی را با سیناپس ها و نورون ها را با اسپایک های بین نورون ها مدل می کند. شبکه از طریق فرآیند تقویت و مهار این اسپایک ها آموزش می بیند (اسپایک های تکراری، تقویت کننده هستند).
🔷قابلیت تغییر آستانه ی شلیک نورونی و حساسیت به این اسپایک ها یک روش موثر و متفاوت برای آموزش است که البته محدودیت های پیچیدگی دارد. به این ترتیب به حافظه ی کمتر (حافظه ی 6 مگابایتی در هر هسته ی عصبی) نیاز خواهیم داشت
منبع:
https://www.nextplatform.com/2018/09/11/first-wave-of-spiking-neural-network-hardware-hits/
#خبر
#هوش_مصنوعی
#شبکه‌های_عصبی #اسپایکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
First Wave of Spiking Neural Network Hardware Hits
Over the last several years we have seen many new hardware architectures emerge for deep learning
The Next Platform
First Wave of Spiking Neural Network Hardware Hits
Over the last several years we have seen many new hardware architectures emerge for deep learning training but this year, inference will have its turn in
onlinebme
‼️ #عشق یا #اندیشه!؟ ✔️ @OnlineBME
انیمیشن تلخ و مفهومی دنی بوی
انیمیشن کوتاه دنی بوی ( Danny Boy ) عشق و اندیشه را به چالش می کشد. این فیلم رامارک اسکروبتسکی کارگردان لهستانی در سال ۲۰۱۰ نوشته و کارگردانی کرده است. موضوع غالبِ فیلم انتخاب بین اندیشه و تفکر است که نتیجه ای جز تنهایی برای شخصیت ندارد و عشق است. دنیایی که با بی اندیشگی و تنهایی تیره و تار شده است و زمان انتخاب است. انتخابی که منجر به وداع با زیبایی های بصری و اندیشه است، اما باعث وصال نیز می شود. برخلاف تمام جامعه که تیره و خاکستری است در فیلم تمام مصداق های زیبایی و عشق رنگی تند و زیبا دارند. جایی که حتی مرگ هم معنی خود را از دست داده است. عشق یا اندیشه ؟
تو این سایت تحلیل خوبی شده👇
https://andishe-va-raaz.persianblog.ir/jQkxD7y3NQcEEJD65vmA-تحلیلی-بر-انیمیشن-کوتاه-Danny-boy
➖➖➖➖➖
@OnlineBME
انیمیشن کوتاه دنی بوی ( Danny Boy ) عشق و اندیشه را به چالش می کشد. این فیلم رامارک اسکروبتسکی کارگردان لهستانی در سال ۲۰۱۰ نوشته و کارگردانی کرده است. موضوع غالبِ فیلم انتخاب بین اندیشه و تفکر است که نتیجه ای جز تنهایی برای شخصیت ندارد و عشق است. دنیایی که با بی اندیشگی و تنهایی تیره و تار شده است و زمان انتخاب است. انتخابی که منجر به وداع با زیبایی های بصری و اندیشه است، اما باعث وصال نیز می شود. برخلاف تمام جامعه که تیره و خاکستری است در فیلم تمام مصداق های زیبایی و عشق رنگی تند و زیبا دارند. جایی که حتی مرگ هم معنی خود را از دست داده است. عشق یا اندیشه ؟
تو این سایت تحلیل خوبی شده👇
https://andishe-va-raaz.persianblog.ir/jQkxD7y3NQcEEJD65vmA-تحلیلی-بر-انیمیشن-کوتاه-Danny-boy
➖➖➖➖➖
@OnlineBME
andishe-va-raaz.persianblog.ir
تحلیلی بر انیمیشن کوتاه Danny boy
https://vimeo.com/86105817لینک برای تماشای این انیمیشن
- بدون سر بودن انسانها در این فیلم نشان از نداشتن فکر است. منظور فقط نابینا ...
- بدون سر بودن انسانها در این فیلم نشان از نداشتن فکر است. منظور فقط نابینا ...
onlinebme
قلب و گردش خون @IUST_Bioelecteric
This media is not supported in your browser
VIEW IN TELEGRAM
تحقیق جدید: توصیه‌های قبلی را فراموش کنید، افراد سالم نباید #آسپیرین بخورند.
دلیل: افزایش احتمال خونریزی داخلی.
این گزارش را برای نزدیکان‌تان بفرستید.
«مصرف آسپیرین را ناگهانی قطع نکنید.»
@OnlineBME
دلیل: افزایش احتمال خونریزی داخلی.
این گزارش را برای نزدیکان‌تان بفرستید.
«مصرف آسپیرین را ناگهانی قطع نکنید.»
@OnlineBME
🗓 ۴۱ سال پیش ( 1977) در چنین روزی، وویجر ۱ از فاصله 7.25 میلیون مایل (11.66 میلیون کیلومتر ) نخستین تصویر فضایی از زمین و ماه را در کنار یکدیگر ثبت کرد.
منبع:
https://www.jpl.nasa.gov/spaceimages/details.php?id=PIA00013
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
منبع:
https://www.jpl.nasa.gov/spaceimages/details.php?id=PIA00013
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
www.jpl.nasa.gov
Crescent Earth and Moon
This picture of a crescent-shaped Earth and Moon, the first of its kind ever taken by a spacecraft, was recorded Sept. 18, 1977, by NASA's Voyager 1 when it was 7.25 million miles (11.66 million kilometers) from Earth.