Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 گردش کار جدید تصویربرداری سه‌بُعدی و کاربرد مختلف آن

گردش کار جدید تصویربرداری سه‌بُعدی و کاربرد مختلف آن

محققان آزمایشگاه ملی ساندیا روشی جدید برای تصویربرداری سه‌بُعدی در شبیه‌ساز‌های کامپیوتری طراحی کرده‌اند که در حوزه‌های گوناگون، از جمله بهداشت و درمان، کارخانجات و خودروهای برقی، کاربردهای متعدد دارد. برای تعیین کارآمدی مواد به کاررفته در سلاح‌ها و تجهیزاتی از این دست به شبیه‌سازی‌های کامپیوتر نیاز است و به گفته‌ی اسکات ای‌رابرتز، سرپرست محققان پروژه‌ی مذکور، کارآمدی و اثربخشی روش جدید در تأیید اعتبار این شبیه‌سازی‌ها تأیید شده است. علاوه بر این، از گردش کار جدید می‌توان برای آزمایش و بهینه‌سازی باتری‌های به کاررفته در انباره‌های انرژی بزرگ‌مقیاس و خودروها نیز استفاده کرد.

ای‌رابرتز ادامه می‌دهد: «این پژوهش در راستای تحقق مأموریت ساندیا با هدف اجرای شبیه‌سازی‌های کامپیوتری معتبر و دقیق انجام شده است. ما نمی‌خواهیم به گفتن «به ما اعتماد کنید» بسنده کنیم؛ بلکه می‌خواهیم بگوییم «پاسخ ما این است و اینقدر به این پاسخ اطمینان داریم»؛ فقط به این شیوه است که می‌توان تصمیمات آگاهانه گرفت.»

محققان گردش کار جدید را EQUIPS نامیده‌اند که مخفف «تعیین عدم اطمینان شبیه‌سازی‌های فیزیکی مبتنی بر تصویر به شکل کارآمد» است؛ یافته‌های این پژوهش در ژورنال «ارتباط با طبیعت» به چاپ رسیده است.

مایکل کرایگیر، نویسنده‌ی اول این مقاله، می‌گوید: «با استفاده از این گردش کار جدید می‌توان به نتایج معتبرتری رسید، چون کادر و مرز مبهم اشیاء موجود در تصاویر شبیه‌سازی شده را با دقت مورد مطالعه قرار می‌دهد. به عبارت دیگر، شبیه‌سازی‌ها به جای تکیه بر تنها یک تفسیر از این کادرها، بر اساس چندین تفسیر گوناگون انجام می‌شوند تا به تصمیمات آگاهانه‌تری برسند.»

به گفته‌ی رابرتز، EQUIPS از یادگیری ماشین استفاده می‌کند تا عدم اطمینان موجود در تصاویر سه‌بُعدی شبیه‌سازی شده‌ را کمی‌سازی کند. در نتیجه، تصمیم‌گیرندگان با در دست داشتن مقدار عدم اطمینان، می‌توانند بهترین و بدترین خروجی‌های ممکن را مدنظر قرار دهند.

تصمیمات آگاهانه‌تر با EQUIPS

گردش کار جدید

کاریانا مارتینز، از متخصصین کامپیوتر ساندیا، توضیح می‌دهد: «به عنوان مثال، پزشکی را در نظر بگیرد که می‌خواهد سی‌تی اسکن یک بیمار را بررسی کرده و درمانی برای سرطان به او پیشنهاد دهد. این اسکن را می‌توان به قالب سه‌بُعدی درآورده و در شبیه‌سازی کامپیوتری به کار برد تا دوز مناسب پرتودرمانی، برای درمان تومور بدون آسیب رساندن به بافت‌های اطراف، مشخص شود. در حالت عادی، چون تصویر سه‌بُعدی یک بار رندر شده، تنها یک تصویر شبیه‌سازی شده به دست می‌آید.

در این شرایط، رسم کادر برای اشیاء موجود در تصویر کار سختی است و بیشتر از یک راه برای انجام آن وجود دارد. سی‌تی اسکن‌ها کیفیت چندان بالایی ندارند. به همین دلیل، مشاهده و تشخیص کادر اشیاء در آن‌ها می‌تواند چالش‌برانگیز باشد.»

افراد و ماشین‌ها این کادرها را به شکل متفاوتی رسم می‌کنند، اما تفسیر هر دو گروه در مورد اندازه‌ و شکل تومور، قابل قبول است.

مارتینز می‌گوید: «با استفاده از گردش کار EQUIPS که از یادگیری ماشین برای خودکارسازی فرآیند رسم کادرها استفاده می‌کند، تصویر سه‌بُعدی در نسخه‌های متعدد و گوناگونی رندر می‌شود؛ این رندرها چندین خروجی متفاوت تولید می‌کنند. بنابراین، پزشک به جای یک پاسخ، طیفی از پیش‌بینی‌ها پیش رو خواهد داشت که با تکیه بر آن‌ها، می‌تواند ریسک را ارزیابی کرده و در مورد راهکار درمانی مناسب (شیمی‎درمانی و یا جراحی) تصمیم بگیرد.»

رابرتز نیز در این باره توضیح می‌دهد: «در کار با داده‌های دنیای واقعی، هیچ راهکار یگانه‌ای وجود ندارد. اگر قرار باشد از یک پاسخ خاص کاملاً مطمئن باشیم، باید بدانیم این پاسخ در کجای طیف قرار دارد. تصمیم نهایی هم باید بر اساس کل این طیف اتخاذ شود.»

تیم ارائه‌دهنده‌ی EQUIPS منبع‌کد و نمونه‌ی فعال آن را به صورت آنلاین در دسترس قرار داده‌اند تا بقیه‌ی برنامه‌نویس‌ها و محققان نیز از آن بهره ببرند.

مسئله‌ی اصلی: قطعه‌بندی

گردش کار جدید

کرایگر توضیح می‌دهد: «اولین گام شبیه‌سازی، قطعه‌بندی تصویر است؛ منظور از قطعه‌بندی، انتساب پیکسل‌ها (یا در تصاویر سه‌بُعدی، ووکسل‌ها) به هر کدام از اشیاء موجود در تصویر است تا بتوان کادر مشخصی بین آن‌ها رسم کرد. پس از این مرحله، متخصصان مدل‌هایی برای شبیه‌سازی محاسباتی می‌سازند. اما پیکسل‌ها و ووکسل‌ها در اثر تغییرات تدریجی گرادیان‌ها در هم آمیخته می‌شوند؛ بنابراین رسم کادر همیشه کار آسان و سرراستی نیست. دلیل وجود مناطق خاکستری در تصاویر سی‌تی اسکن یا ایکس‌ری نیز همین است.»

مشکل اساسی قطعه‌بندی تصاویر اسکن‌شده این است که راه‌های متعددی برای انتساب پیکسل‌ها به اشیاء وجود دارد و این مشکل، فارغ از این‌که مسئله به دست یک متخصص انجام شود، یا از طریق بهترین‌ ابزارهای برنامه‌نویسی و یا حتی جدیدترین قابلیت‌های یادگیری ماشین، رخ خواهد داد.

طبق توضیحات مارتینز، اگر از دو نفر بخواهیم روی یک تصویر یکسان مسئله‌ی قطعه‌بندی انجام دهند، احتمالاً از فیلترها و تکنیک‌های گوناگونی استفاده کرده و به نتایج متفاوتی می‌رسند. همه‌ی این نتایج معتبر هستند و لازم نیست یکی را برتر از دیگری بدانیم. تکنیک‌های پیشرفته‌ی یادگیری ماشین هم داستان مشابهی دارند. شبکه های عصبی نتایجی دقیق‌تر و معتبرتر با سرعت بالاتر نسبت به روش‌های دستی تولید می‌کنند؛ با این حال، هر کدام از آن‌ها از ورودی‌های گوناگون استفاده کرده و روی پارامترهای متفاوتی تمرکز می‌کنند. بنابراین، شبکه‌ها نیز قطعه‌بندی‌های متفاوت اما معتبری تولید می‌کنند.

ارتقاء اعتبار شبیه‌سازی‌های نهایی با گردش کار جدید

گردش کار جدید

کرایگر توضیح می‌دهد: «گردش کار جدید قطعه‌بندی EQUIPS این ابهام‌ها از میان برنمی‌دارد، بلکه اعتبار شبیه‌سازی‌های نهایی را ارتقاء می‌دهد؛ بدین منظور، ابهام‌های ناشناخته‌ی قبلی را برای تصمیم‌گیرندگان آشکار می‌سازد.»

EQUIPS برای اجرای قطعه‌بندی، دو نوع تکنیک یادگیری ماشین به کار می‌گیرد: شبکه‌های دراپ‌اوت مونته-کارلو و شبکه‌های عصبی پیچشی بیزی. هر دوی این رویکردها یک مجموعه از نمونه‌های قطعه‌بندی تصویر تولید می‌کنند. این نمونه‌ها با هم ترکیب می‌شوند تا احتمال وجود یک یپکسل یا ووکسل در قسمت‌های مختلف تصویر مشخص شود. EQUIPS برای بررسی اثر عدم اطمینان و اجرای قطعه‌بندی، نگاشتی از احتمالات ایجاد می‌کند؛ سپس، از این قطعه‌بندی‌ها برای اجرای چند شبیه‌سازی و محاسبه‌ی توزیع عدم اطمینان استفاده می‌شود.

محققانی از دانشگاه پردو و اعضای «برنامه‌ی همکاری با دانشگاه‌ها» این تحقیقات را تحت پوشش «برنامه‌ی تحقیق و توسعه‌ی مدیریت‌شده‌» آزمایشگاه ساندیا انجام داده‌اند.

محققان چندین مورد از حوزه‌هایی که می‌توانند از گردش کار EQUIPS بهره‌مند شوند را برشمرده‌اند: سی‌تی اسکن الکترودهای گرافیتی در باتری‌های یونی لیتیوم که بیشتر در خودروهای برقی، کامپیوترها، تجهیزات پزشکی و هوایی به کار می‌روند، اسکن ترکیباتی که به عنوان عایق حرارتی در تجهیزات حاضر در اتمسفر، مثل راکت یا موشک‌ها، استفاده می‌شوند و در آخر، تصاویر اسکنی که از شاهرگ و ستون مهره‌ی انسان‌ها گرفته می‌شوند.

رابرتز می‌گوید: «هدف اصلی ما از انجام این کار این بوده است که با تکیه بر قطعه‌بندی ماشینی، لازم نیست تنها به دریافت یک پاسخ واحد بسنده کنیم؛ بلکه می‌توانیم به صورت عینی قطعه‌بندی انجام شده را مورد بررسی قرار دهیم تا ابهام و عدم اطمینان آن را دریابیم. درک و تشخیص عدم اطمینان نتیجه‌ی کار را معتبرتر کرده و اطلاعات بیشتری در اختیار تصمیم‌گیرندگان قرار می‌دهد. این نتایج در همه‌ی حوزه‌هایی که از شبیه‌سازی‌های کامپیوتری استفاده می‌کنند، از جمله مهندسی و پزشکی، قابلیت کاربرد دارند.»

به نظر شما این روش جدید تصویربرداری سه‌بُعدی در چه حوزه‌های دیگری می‌تواند کاربرد داشته باشد؟

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

مقاله ما چطور بود؟

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.