وبینار تقسیم بندی قابل قبول تصاویر پزشکی با استفاده از برچسب های فشرده تا ساختارهای گرافی

یادگیری بازنمایی یا یادگیری ویژگی در یادگیری ماشین

یادگیری بازنمایی یا یادگیری ویژگی در یادگیری ماشین ، مجموعه ای از تکنیک ها است که سیستم به صورت خودکار به شناسایی ویژگی های مورد نیاز می پردازد و الگوهای نهان را از داده ها کشف می کند. یادگیری بازنمایی به ماشین اجازه می دهد که ویژگی های جدید را کشف کند و از آنها برای انجام یک کار جدید استفاده کند.

Towards Anatomically Plausible Medical Image Segmentation : from Dense Labels to Graph Structures

 در وبینار تقسیم بندی قابل قبول تصاویر پزشکی با استفاده از برچسب های فشرده تا ساختارهای گرافی ، در مورد تحقیقات انجام شده با موضوع یادگیری بازنمایی[1] برای بهبود تقسیم بندی قابل قبول تصاویر پزشکی پرداخته خواهد شد . در این وبینار به بررسی اینکه چگونه رمزگذارهای خودکار می‌توانند برای یادگیری تعبیه‌های کم‌بعد و ساختارهای تشریحی مورد استفاده قرار بگیرند و راه‌های مختلفی که از طریق آنها این جاسازی‌ها بتوانند در مدل‌های یادگیری عمیق برای تقسیم‌بندی و ثبت گنجانده شوند ، صحبت خواهد شد. همچنین به طور خلاصه در مورد سایر خطوط تحقیقاتی آزمایشگاه در مورد تعمیم دامنه ، کالیبراسیون مدل[2] ، و fairness در محاسبات تصویر زیست پزشکی اظهار  نظر خواهد شد.

سخنران این وبینار Dr. Enzo Ferrante است که مدرک مهندسی سیستم ها را از دانشگاه National University of the Littoral و دکترای خود را از دانشگاه Université Paris-Saclay دریافت کرده است . Dr. Enzo Ferrante محقق فوق دکتری Imperial College London در لندن است. حوزه های موضوعی Enzo Ferrante یادگیری ماشین[3] ، بینایی کامپیوتر[4]  و تصویربرداری پزشکی[5]  است.

مباحث پیشرفته یادگیری عمیق؛ شبکه های توجه گرافی (Graph Attention Networks)

این وبینار در تاریخ سه شنبه 11 آبان 1400 از ساعت 17 تا 18 و 30 دقیقه توسط دانشکده مهندسی برق دانشگاه صنعتی شریف برگزار شد.

فیلم وبینار تقسیم بندی قابل قبول تصاویر پزشکی با استفاده از برچسب های فشرده تا ساختارهای گرافی