حتی پس از گذشت بیش از صد سال پس از معرفی، بافت شناسی استاندارد طلایی در تشخیص و پیش آگهی تومور باقی می ماند. آسیب شناسان آناتومیک بافت شناسی را ارزیابی می کنند تا بیماران سرطانی را بسته به ژنوتیپ و فنوتیپ تومور و نتیجه بالینی آنها به گروه های مختلف طبقه بندی کنند [1,2،3]. با این حال، ارزیابی انسان از اسلایدهای بافت شناسی ذهنی است و قابل تکرار نیست [XNUMX]. علاوه بر این، ارزیابی بافت شناسی فرآیندی زمان بر است که به متخصصان بسیار آموزش دیده نیاز دارد.
با پیشرفت های تکنولوژیکی قابل توجه در دهه گذشته، تکنیک هایی مانند تصویربرداری از کل اسلاید (WSI) و یادگیری عمیق (DL) در حال حاضر به طور گسترده در دسترس هستند. WSI اسکن اسلایدهای شیشه ای میکروسکوپی معمولی برای تولید یک تصویر واحد و با وضوح بالا از آن اسلایدها است. این امکان دیجیتالی کردن و جمع آوری مجموعه های بزرگی از تصاویر آسیب شناسی را فراهم می کند که بسیار وقت گیر و گران می باشد. در دسترس بودن چنین مجموعههای داده، راههای جدید و نوآورانهای برای تسریع تشخیص با استفاده از تکنیکهایی مانند یادگیری ماشین (ML) ایجاد میکند تا به آسیبشناسان کمک کند تا با شناسایی سریع ویژگیهای مورد علاقه، تشخیصها را تسریع کنند.
در این پست، نحوه استفاده توسعه دهندگان بدون تجربه قبلی ML را بررسی خواهیم کرد برچسب های سفارشی شناسایی آمازون برای آموزش مدلی که ویژگی های سلولی را طبقه بندی می کند. آمازون Rekognition Custom Labels یکی از ویژگی های آن است شناسایی آمازون که به شما امکان میدهد قابلیتهای تخصصی تجزیه و تحلیل تصویر مبتنی بر ML خود را برای شناسایی اشیاء و صحنههای منحصربهفرد جداییناپذیر مورد استفاده خاص خود ایجاد کنید. به طور خاص، ما از یک مجموعه داده حاوی تصاویر اسلاید کامل سرطان پستان سگ [1] برای نشان دادن نحوه پردازش این تصاویر و آموزش مدلی استفاده میکنیم که اشکال میتوزی را تشخیص میدهد. این مجموعه داده با اجازه پروفسور دکتر مارک اوبرویل استفاده شده است، که با مهربانی موافقت کرده است که ما از آن برای این پست استفاده کنیم. برای اطلاعات بیشتر به بخش تقدیرنامه در انتهای همین پست مراجعه کنید.
بررسی اجمالی راه حل
راه حل شامل دو جزء است:
- مدل برچسبهای سفارشی شناسایی آمازون - برای فعال کردن آمازون Rekognition برای تشخیص ارقام میتوز، مراحل زیر را تکمیل می کنیم:
- از مجموعه داده WSI برای تولید تصاویر با اندازه مناسب استفاده کنید Amazon SageMaker Studio و یک کد پایتون که روی یک نوت بوک Jupyter اجرا می شود. Studio یک محیط توسعه یکپارچه مبتنی بر وب (IDE) برای ML است که تمام ابزارهایی را که برای انتقال مدلهای خود از آزمایش به تولید نیاز دارید و در عین حال بهرهوری شما را افزایش میدهد، فراهم میکند. ما از Studio برای تقسیم کردن تصاویر به تصاویر کوچکتر برای آموزش مدل خود استفاده خواهیم کرد.
- با استفاده از دادههای آمادهشده در مرحله قبل، یک مدل برچسبهای سفارشی شناسایی آمازون را برای تشخیص اشکال میتوزی در نمونههای هماتوکسیلین-ائوزین آموزش دهید.
- یک برنامه frontend — برای نشان دادن نحوه استفاده از مدلی مانند مدلی که در مرحله قبل آموزش دادیم، مراحل زیر را تکمیل می کنیم:
نمودار زیر معماری راه حل را نشان می دهد.
تمام منابع لازم برای استقرار پیاده سازی مورد بحث در این پست و کد کل بخش در دسترس هستند GitHub. می توانید مخزن را شبیه سازی یا فورک کنید، هر تغییری را که می خواهید ایجاد کنید و خودتان آن را اجرا کنید.
در مراحل بعدی، کد را طی میکنیم تا مراحل مختلف دریافت و آمادهسازی دادهها، آموزش مدل و استفاده از آن از یک برنامه نمونه را درک کنیم.
هزینه
هنگام اجرای مراحل در این راهنما، هزینه های کمی از استفاده از خدمات AWS زیر متحمل می شوید:
- شناسایی آمازون
- AWS Fargate
- Application Load Balancer
- مدیر اسرار AWS
علاوه بر این، اگر دیگر در دوره یا شرایط سطح رایگان نباشید، ممکن است هزینههای خدمات زیر را متحمل شوید:
- خط لوله
- CodeBuild
- آمازون ECR
- آمازون SageMaker
اگر مراحل پاکسازی را پس از اتمام این مرحله به درستی انجام دهید، ممکن است انتظار داشته باشید که هزینهها کمتر از 10 دلار باشد، اگر مدل برچسبهای سفارشی شناسایی آمازون و برنامه وب برای یک ساعت یا کمتر اجرا شوند.
پیش نیازها
برای تکمیل تمام مراحل به موارد زیر نیاز دارید:
آموزش مدل طبقه بندی شکل میتوزی
ما تمام مراحل مورد نیاز برای آموزش مدل را از یک نوت بوک استودیو اجرا می کنیم. اگر قبلاً از Studio استفاده نکردهاید، ممکن است لازم باشد در کشتی اولین. برای اطلاعات بیشتر ببین به سرعت وارد Amazon SageMaker Studio شوید.
برخی از مراحل زیر به حافظه RAM بیشتری نسبت به آنچه در یک نوت بوک استاندارد ml.t3.medium موجود است نیاز دارند. مطمئن شوید که یک نوت بوک ml.m5.large انتخاب کرده اید. شما باید یک نشانگر 2 vCPU + 8 گیگابایت در گوشه سمت راست بالای صفحه ببینید.
کد این بخش به صورت a موجود است فایل نوت بوک Jupyter.
پس از ورود به استودیو، آن را دنبال کنید این دستورالعمل برای اعطای مجوزهای لازم به استودیو برای تماس با آمازون Rekognition از طرف شما.
وابستگی ها
برای شروع، باید مراحل زیر را انجام دهیم:
- بسته های لینوکس را به روز کنید و وابستگی های مورد نیاز مانند OpenSlide را نصب کنید:
- کتابخانه های fastai و SlideRunner را با استفاده از pip نصب کنید:
- مجموعه داده را دانلود کنید (یک اسکریپت برای انجام خودکار این کار ارائه می دهیم):
مجموعه داده را پردازش کنید
ما با وارد کردن برخی از بسته هایی که در مرحله آماده سازی داده ها استفاده می کنیم، شروع خواهیم کرد. سپس، پایگاه داده حاشیه نویسی را برای این مجموعه داده دانلود و بارگذاری می کنیم. این پایگاه داده حاوی موقعیتهای موجود در کل تصاویر اسلاید شکلهای میتوزی است (ویژگیهایی که میخواهیم طبقهبندی کنیم). کد زیر را ببینید:
از آنجا که ما از SageMaker استفاده می کنیم، یک SageMaker جدید ایجاد می کنیم جلسه برای سهولت کارهایی مانند آپلود مجموعه داده های ما در an سرویس ذخیره سازی ساده آمازون سطل (Amazon S3). ما همچنین از سطل S3 که SageMaker به طور پیش فرض ایجاد می کند برای آپلود فایل های تصویری پردازش شده خود استفاده می کنیم.
La slidelist_test
آرایه شامل شناسههای اسلایدهایی است که به عنوان بخشی از مجموعه داده آزمایشی برای ارزیابی عملکرد مدل آموزشدیده استفاده میکنیم. کد زیر را ببینید:
گام بعدی این است که مجموعهای از قسمتهای آموزشی و اسلایدهای آزمایشی را به همراه برچسبهای موجود در آنها بهدست آوریم، که از آنها میتوانیم مناطق کوچکتری را برای آموزش مدل خود انتخاب کنیم. کد get_slides در فایل sampling.py موجود است GitHub.
می خواهیم به صورت تصادفی از اسلایدهای آموزشی و آزمایشی نمونه برداری کنیم. ما از لیست اسلایدهای آموزشی و آزمایشی استفاده می کنیم و به صورت تصادفی انتخاب می کنیم n_training_images
بار یک فایل برای آموزش، و n_test_images
بار یک فایل برای آزمایش:
بعد، یک دایرکتوری برای تصاویر آموزشی و یکی برای تصاویر آزمایشی ایجاد می کنیم:
قبل از تولید تصاویر کوچکتر مورد نیاز برای آموزش مدل، به کد کمکی نیاز داریم که ابرداده مورد نیاز برای توصیف دادههای آموزشی و آزمایشی را تولید کند. کد زیر اطمینان حاصل می کند که یک کادر محدود در اطراف ویژگی های مورد علاقه (شکل های میتوتیک) به خوبی در منطقه ای است که ما برش می دهیم، و خطی از JSON تولید می کند که تصویر و ویژگی های موجود در آن را در آن توصیف می کند. Amazon SageMaker Ground Truth فرمت، که فرمتی است که Amazon Rekognition Custom Labels نیاز دارد. برای اطلاعات بیشتر در مورد این فایل مانیفست برای تشخیص شی، نگاه کنید محلی سازی شی در فایل های مانیفست.
با generate_annotations
ما می توانیم کد را برای تولید تصاویر آموزشی و آزمایشی بنویسیم:
آخرین گام برای داشتن تمام داده های مورد نیاز، نوشتن a است manifest.json
فایل برای هر یک از مجموعه داده ها:
فایل ها را به S3 انتقال دهید
ما با استفاده از upload_data
روشی که شی جلسه SageMaker برای آپلود تصاویر و فایل های مانیفست در سطل پیش فرض SageMaker S3 نمایش می دهد:
یک مدل برچسبهای سفارشی شناسایی آمازون را آموزش دهید
با داده های موجود در آمازون S3، می توانیم به آموزش یک مدل سفارشی برسیم. ما از کتابخانه Boto3 برای ایجاد یک مشتری شناسایی آمازون و ایجاد یک پروژه استفاده می کنیم:
با پروژه آماده استفاده، اکنون به یک نسخه پروژه نیاز دارید که به مجموعه داده های آموزشی و آزمایشی در آمازون S3 اشاره کند. هر نسخه به طور ایده آل به مجموعه داده های مختلف (یا نسخه های مختلف آن) اشاره می کند. این ما را قادر میسازد تا نسخههای مختلفی از یک مدل را داشته باشیم، عملکرد آنها را مقایسه کنیم و در صورت نیاز بین آنها جابهجا شویم. کد زیر را ببینید:
پس از ایجاد نسخه پروژه، آمازون Rekognition به طور خودکار فرآیند آموزش را شروع می کند. زمان آموزش به چندین ویژگی از جمله اندازه تصاویر و تعداد آنها، تعداد کلاس ها و ... بستگی دارد. در این حالت برای 500 تصویر، آموزش حدود 90 دقیقه طول می کشد تا به پایان برسد.
مدل را تست کنید
پس از آموزش، هر مدل در Amazon Rekognition Custom Labels در STOPPED
حالت. برای استفاده از آن برای استنتاج، باید آن را شروع کنید. ما نسخه پروژه ARN را از توضیحات نسخه پروژه دریافت می کنیم و آن را به آن منتقل می کنیم start_project_version
. توجه کنید MinInferenceUnits
پارامتر - ما با یک واحد استنتاج شروع می کنیم. حداکثر تعداد واقعی تراکنش در ثانیه (TPS) که این واحد استنتاج پشتیبانی می کند به پیچیدگی مدل شما بستگی دارد. برای آشنایی بیشتر با TPS به این مطلب مراجعه کنید پست های وبلاگ.
زمانی که نسخه پروژه شما به عنوان فهرست شده است RUNNING
، می توانید شروع به ارسال تصاویر به آمازون Rekognition برای استنباط کنید.
ما از یکی از فایل های مجموعه داده آزمایشی برای آزمایش مدل تازه شروع شده استفاده می کنیم. به جای آن می توانید از هر فایل PNG یا JPEG مناسب استفاده کنید.
نرم افزار Streamlit
برای نشان دادن ادغام با آمازون Rekognition، از یک برنامه بسیار ساده پایتون استفاده می کنیم. ما استفاده می کنیم Streamlit کتابخانه برای ساخت یک رابط کاربری اسپارتان، که در آن از کاربر می خواهیم یک فایل تصویری را آپلود کند.
ما از کتابخانه Boto3 و detect_custom_labels
روش، همراه با نسخه پروژه ARN، برای فراخوانی نقطه پایانی استنتاج. پاسخ یک سند JSON است که حاوی موقعیت ها و کلاس های اشیاء مختلف شناسایی شده در تصویر است. در مورد ما، اینها ارقام میتوزی هستند که الگوریتم در تصویری که ما به نقطه پایانی ارسال کردیم پیدا کرده است. کد زیر را ببینید:
برنامه را در AWS مستقر کنید
برای استقرار برنامه، از اسکریپت AWS CDK استفاده می کنیم. کل پروژه را می توان در پیدا کرد GitHub . بیایید به منابع مختلف استفاده شده توسط اسکریپت نگاه کنیم.
یک مخزن آمازون ECR ایجاد کنید
به عنوان اولین گام برای راه اندازی استقرار خود، ما یک مخزن آمازون ECR ایجاد می کنیم که می توانیم تصاویر ظرف برنامه خود را در آن ذخیره کنیم:
توکن GitHub خود را در AWS Secrets Manager ایجاد و ذخیره کنید
CodePipeline به یک رمز دسترسی شخصی GitHub برای نظارت بر مخزن GitHub شما برای تغییرات و کشیدن کد نیاز دارد. برای ایجاد توکن، دستورالعملهای موجود در آن را دنبال کنید مستندات GitHub. توکن به دامنه های GitHub زیر نیاز دارد:
- La
repo
scope، که برای کنترل کامل برای خواندن و کشیدن مصنوعات از مخازن عمومی و خصوصی به یک خط لوله استفاده می شود. - La
admin:repo_hook
scope که برای کنترل کامل قلاب های مخزن استفاده می شود.
پس از ایجاد توکن، آن را در یک رمز جدید ذخیره کنید مدیر اسرار AWS به شرح زیر است:
پارامترهای پیکربندی را در AWS Systems Manager Parameter Store بنویسید
اسکریپت AWS CDK برخی از پارامترهای پیکربندی را از آن می خواند AWS Systems Manager Parameter Storeمانند نام و مالک مخزن GitHub و حساب و منطقه هدف. قبل از راه اندازی اسکریپت AWS CDK، باید این پارامترها را در حساب کاربری خود ایجاد کنید.
شما می توانید این کار را با استفاده از AWS CLI انجام دهید. به سادگی فراخوانی کنید put-parameter
دستور با نام، مقدار و نوع پارامتر:
در زیر لیستی از تمام پارامترهای مورد نیاز اسکریپت AWS CDK آمده است. همه آنها از نوع هستند String
:
- /rek_wsi/prod/accountId - شناسه حسابی که برنامه را در آن مستقر می کنیم.
- /rek_wsi/prod/ecr_repo_name - نام مخزن آمازون ECR که در آن تصاویر کانتینر ذخیره می شوند.
- /rek_wsi/prod/github/branch - شاخه ای در مخزن GitHub که CodePipeline باید کد را از آن استخراج کند.
- /rek_wsi/prod/github/owner - صاحب مخزن GitHub.
- /rek_wsi/prod/github/repo - نام مخزن GitHub که کد ما در آن ذخیره شده است.
- /rek_wsi/prod/github/token - نام یا ARN راز در Secrets Manager که حاوی رمز احراز هویت GitHub شما است. این برای CodePipeline لازم است تا بتواند با GitHub ارتباط برقرار کند.
- /rek_wsi/prod/region - منطقه ای که برنامه را در آن مستقر خواهیم کرد.
توجه کنید prod
بخش در نام همه پارامترها اگرچه برای چنین مثال ساده ای به این سطح از جزئیات نیاز نداریم، اما امکان استفاده مجدد از این رویکرد را با پروژه های دیگر که در آن محیط های مختلف ممکن است ضروری باشد را فراهم می کند.
منابع ایجاد شده توسط اسکریپت AWS CDK
ما به برنامه ما نیاز داریم که در یک کار Fargate اجرا می شود تا مجوزهایی برای فراخوانی Amazon Rekognition داشته باشیم. بنابراین ابتدا یک را ایجاد می کنیم هویت AWS و مدیریت دسترسی (IAM) نقش وظیفه با RekognitionReadOnlyPolicy
سیاست ضمیمه آن توجه داشته باشید که assumed_by
پارامتر در کد زیر را می گیرد ecs-tasks.amazonaws.com
مدیر سرویس این به این دلیل است که ما از آمازون ECS به عنوان ارکستراتور استفاده میکنیم، بنابراین به آمازون ECS نیاز داریم تا نقش را برعهده بگیرد و اعتبار را به وظیفه Fargate منتقل کند.
پس از ساخت، تصویر ظرف برنامه ما در یک مخزن خصوصی Amazon ECR قرار می گیرد. ما به یک شی نیاز داریم که آن را توصیف کند که بتوانیم هنگام ایجاد سرویس Fargate از آن عبور کنیم:
ما یک VPC و کلاستر جدید برای این برنامه ایجاد می کنیم. شما می توانید این قسمت را برای استفاده از VPC خود با استفاده از from_lookup
روش Vpc
کلاس:
اکنون که یک VPC و کلاستر برای استقرار داریم، سرویس Fargate را ایجاد می کنیم. ما از 0.25 vCPU و 512 مگابایت رم برای این کار استفاده می کنیم و یک Application Load Balancer (ALB) عمومی در جلوی آن قرار می دهیم. پس از استقرار، از ALB CNAME برای دسترسی به برنامه استفاده می کنیم. کد زیر را ببینید:
برای ایجاد و استقرار خودکار یک تصویر کانتینر جدید هر بار که کد را به شاخه اصلی خود فشار می دهیم، یک خط لوله ساده متشکل از یک عمل منبع GitHub و یک مرحله ساخت ایجاد می کنیم. اینجا جایی است که ما از اسرار ذخیره شده در AWS Secrets Manager و AWS Systems Manager Parameter Store در مراحل قبل استفاده می کنیم.
CodeBuild برای ارسال تصاویر کانتینر به Amazon ECR به مجوز نیاز دارد. برای اعطای این مجوزها، ما را اضافه می کنیم AmazonEC2ContainerRegistryFullAccess
خط مشی برای نقش سفارشی IAM که مدیر سرویس CodeBuild می تواند آن را بر عهده بگیرد:
پروژه CodeBuild به مخزن خصوصی آمازون ECR وارد می شود، تصویر Docker را با برنامه Streamlit می سازد و تصویر را همراه با یک مخزن به مخزن می فرستد. appspec.yaml
و imagedefinitions.json
فایل.
La appspec.yaml
فایل کار را توصیف می کند (پورت، نسخه پلت فرم Fargate و غیره)، در حالی که imagedefinitions.json
فایل نام تصاویر کانتینر را به آمازون ECR URI مربوطه آنها نگاشت می کند. کد زیر را ببینید:
در نهایت مراحل مختلف خط لوله را کنار هم قرار می دهیم. آخرین اقدام است EcsDeployAction
، که تصویر کانتینر ساخته شده در مرحله قبل را می گیرد و به روز رسانی متحرکی از وظایف در خوشه ECS ما انجام می دهد:
پاک کردن
برای جلوگیری از متحمل شدن هزینه های آینده، منابعی را که به عنوان بخشی از این راه حل ایجاد کرده اید، پاکسازی کنید.
مدل برچسبهای سفارشی شناسایی آمازون
قبل از اینکه نوت بوک استودیو خود را خاموش کنید، مطمئن شوید که مدل برچسب های سفارشی شناسایی آمازون را متوقف کرده اید. اگر این کار را نکنید، هزینههای آن همچنان ادامه دارد.
از طرف دیگر، میتوانید از کنسول شناسایی آمازون برای توقف سرویس استفاده کنید:
- در کنسول آمازون Rekognition، را انتخاب کنید از برچسب های سفارشی استفاده کنید در صفحه ناوبری
- را انتخاب کنید پروژه ها در صفحه ناوبری
- نسخه 1 را انتخاب کنید
rek-mitotic-figures-workshop
پروژه. - بر از مدل استفاده کنید برگه ، انتخاب کنید توقف.
نرم افزار Streamlit
برای از بین بردن تمام منابع مرتبط با برنامه Streamlit، کد زیر را از دایرکتوری برنامه AWS CDK اجرا کنید:
مدیر اسرار AWS
برای حذف توکن GitHub، دستورالعملهای موجود در آن را دنبال کنید مستندات.
نتیجه
در این پست، مراحل لازم برای آموزش مدل برچسبهای سفارشی شناسایی آمازون برای یک برنامه آسیبشناسی دیجیتال با استفاده از دادههای دنیای واقعی را طی کردیم. سپس نحوه استفاده از مدل را از یک برنامه کاربردی ساده از خط لوله CI/CD به Fargate یاد گرفتیم.
Amazon Rekognition Custom Labels شما را قادر می سازد تا برنامه های مراقبت بهداشتی با قابلیت ML بسازید که به راحتی می توانید با استفاده از خدماتی مانند Fargate، CodeBuild و CodePipeline آن را بسازید و به کار ببرید.
آیا میتوانید برنامهای برای کمک به محققان، پزشکان یا بیمارانشان برای آسانتر کردن زندگیشان فکر کنید؟ اگر چنین است، از کد موجود در این راهنما برای ساخت برنامه بعدی خود استفاده کنید. و اگر سوالی دارید در قسمت نظرات به اشتراک بگذارید.
تشکر و قدردانی
مایلیم از پروفسور دکتر مارک اوبرویل تشکر کنیم که با مهربانی به ما اجازه استفاده از مجموعه داده MITOS_WSI_CMC را برای این پست وبلاگ داد. مجموعه داده را می توان در پیدا کرد GitHub.
منابع
[1] Aubreville, M., Bertram, CA, Donovan, TA et al. مجموعه داده کامل تصویر اسلاید کاملا مشروح از سرطان سینه سگ برای کمک به تحقیقات سرطان سینه انسان. Sci Data 7, 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] خند، ام.، کوری، ا.، راجکومار، اچ. و همکاران یک چارچوب یادگیری عمیق تعمیم یافته برای تقسیم بندی و تجزیه و تحلیل تصویر کل اسلاید. نماینده علمی شماره ۱۰۲۹، 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS 27 مارس 2018 115 (13) E2970-E2979; اولین بار در 12 مارس 2018 منتشر شد. https://doi.org/10.1073/pnas.1717139115
درباره نویسنده
پابلو نونیز پولچر، کارشناسی ارشد، یک معمار ارشد راه حل است که برای تیم بخش عمومی با خدمات وب آمازون کار می کند. پابلو بر کمک به مشتریان بخش عمومی مراقبت های بهداشتی برای ساخت محصولات جدید و نوآورانه بر روی AWS مطابق با بهترین شیوه ها تمرکز دارد. او کارشناسی ارشد خود را دریافت کرد. در علوم زیستی از دانشگاه بوئنوس آیرس. او در اوقات فراغت خود از دوچرخه سواری و بازی با دستگاه های تعبیه شده با قابلیت ML لذت می برد.
رضوان یوناسک، دکترا، MBA، رهبر فنی مراقبت های بهداشتی در خدمات وب آمازون در اروپا، خاورمیانه و آفریقا است. کار او بر کمک به مشتریان مراقبت های بهداشتی برای حل مشکلات تجاری با استفاده از فناوری متمرکز است. پیش از این، رضوان رئیس جهانی محصولات هوش مصنوعی (AI) در زیمنس هلثاینرز، مسئول AI-Rad Companion، خانواده راهحلهای سلامت دیجیتال مبتنی بر هوش مصنوعی و ابری برای تصویربرداری بود. او دارای بیش از 30 حق ثبت اختراع در AI/ML برای تصویربرداری پزشکی است و بیش از 70 نشریه بین المللی فنی و بالینی با بازبینی بین المللی در مورد بینایی کامپیوتر، مدل سازی محاسباتی و تجزیه و تحلیل تصویر پزشکی منتشر کرده است. رضوان دکترای خود را در رشته علوم کامپیوتر از دانشگاه فنی مونیخ و MBA را از دانشگاه کمبریج، دانشکده تجارت قاضی دریافت کرد.
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- درباره ما
- شتاب دادن
- دسترسی
- حساب
- عمل
- افریقا
- AI
- الگوریتم
- معرفی
- قبلا
- هر چند
- آمازون
- شناسایی آمازون
- آمازون SageMaker
- آمازون خدمات وب
- تحلیل
- کاربرد
- برنامه های کاربردی
- APT
- معماری
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- دارایی
- تصدیق
- دسترس پذیری
- در دسترس
- AWS
- متعادل کننده
- بهترین
- بهترین شیوه
- بلاگ
- تقویت
- جعبه
- سرطان پستان
- ساختن
- کسب و کار
- صدا
- کمبریج
- می توانید دریافت کنید
- سرطان
- تحقیقات سرطان
- بار
- طبقه بندی
- رمز
- مجموعه
- نظرات
- علم کامپیوتر
- چشم انداز کامپیوتر
- اعتماد به نفس
- پیکر بندی
- کنسول
- ظرف
- ظروف
- شامل
- ادامه
- هزینه
- ایجاد
- مجوزها و اعتبارات
- مشتریان
- داده ها
- پایگاه داده
- پایگاه های داده
- یادگیری عمیق
- از بین بردن
- جزئیات
- کشف
- توسعه دهندگان
- پروژه
- دستگاه ها
- مختلف
- دیجیتال
- بهداشت دیجیتال
- دیجیتالی شدن
- کارگر بارانداز
- پزشکان
- پایین
- به آسانی
- از دست
- نقطه پایانی
- محیط
- اروپا
- مثال
- تجربه
- صادرات
- خانواده
- ویژگی
- امکانات
- شکل
- نام خانوادگی
- به دنبال
- چنگال
- قالب
- یافت
- چارچوب
- رایگان
- کامل
- تابع
- آینده
- تولید می کنند
- هندسه
- GitHub
- دادن
- جهانی
- طلا
- اعطا کردن
- کمک های مالی
- داشتن
- سر
- سلامتی
- بهداشت و درمان
- کمک
- اینجا کلیک نمایید
- چگونه
- چگونه
- HTTPS
- IAM
- هویت
- تصویر
- تجزیه و تحلیل تصویر
- تقسیم بندی تصویر
- تصویربرداری
- واردات
- اطلاعات
- ابتکاری
- انتگرال
- ادغام
- اطلاعات
- علاقه
- بین المللی
- گرفتار
- IT
- نوت بوک ژوپیتر
- برچسب ها
- بزرگ
- آخرین
- راه اندازی
- یاد گرفتن
- آموخته
- یادگیری
- سطح
- کتابخانه
- لاین
- لینوکس
- فهرست
- لیست
- بار
- بومی سازی
- فراگیری ماشین
- نقشه ها
- مارس
- پزشکی
- تصویربرداری پزشکی
- متوسط
- خاورمیانه
- ML
- مدل
- مدل سازی
- مدل
- بیش
- مونیخ
- نام
- جهت یابی
- ضروری
- تشخیص شی
- شبانه روزی
- دیگر
- مالک
- اختراعات
- آسيب شناسي
- pacientes
- کارایی
- شخصی
- سکو
- سیاست
- اصلی
- خصوصی
- روند
- تولید
- بهره وری
- محصولات
- حرفه ای
- پروژه
- پروژه ها
- ارائه
- فراهم می کند
- عمومی
- بخش عمومی
- انتشارات
- پــایتــون
- رم
- تحقیق
- منابع
- پاسخ
- دویدن
- در حال اجرا
- حکیم ساز
- پویش
- مدرسه
- علم
- علوم
- بخش
- انتخاب شد
- خدمات
- تنظیم
- محیط
- اشتراک گذاری
- زیمنس
- قابل توجه
- ساده
- اندازه
- کوچک
- So
- مزایا
- حل
- فضا
- تخصصی
- انشعاب
- صحنه
- شروع
- آغاز شده
- دولت
- وضعیت
- ذخیره سازی
- opbevare
- استودیو
- پشتیبانی از
- گزینه
- سیستم های
- هدف
- فنی
- تکنیک
- پیشرفته
- آزمون
- منبع
- از طریق
- زمان
- زمان بر
- با هم
- رمز
- ابزار
- بالا
- آموزش
- معاملات
- منحصر به فرد
- دانشگاه
- دانشگاه کمبریج
- بروزرسانی
- URI
- us
- دلار آمریکا
- ارزش
- نسخه
- دید
- W
- وب
- خدمات وب
- مبتنی بر وب
- چی
- چه شده است
- WHO
- به طور گسترده ای
- در داخل
- بدون
- مهاجرت کاری
- کارگر
- خواهد بود
- نوشته
- X
- سال
- یوتیوب