นวนิยาย Fuzzy DBNet สำหรับการแบ่งส่วนภาพทางการแพทย์ตอนที่ 2

3.4. การแบ่งส่วนของรูปภาพยา

Fuzzy DBNet ทำงานได้ดีในชุดข้อมูลยา เพื่อตรวจสอบลักษณะทั่วไปของแบบจำลองเพิ่มเติม เราได้ทำการทดลองกับชุดข้อมูลปอดด้วย รูปที่ 8 แสดงการสูญเสียการตรวจสอบ

Cistanche สามารถทำหน้าที่เป็นสารต่อต้านความเหนื่อยล้าและเสริมความแข็งแกร่ง และการศึกษาเชิงทดลองแสดงให้เห็นว่ายาต้มของ Cistanche tubulosa สามารถปกป้องเซลล์ตับในตับและเซลล์บุผนังหลอดเลือดที่เสียหายในหนูว่ายน้ำที่มีน้ำหนักมากได้อย่างมีประสิทธิภาพ ควบคุมการแสดงออกของ NOS3 และส่งเสริมไกลโคเจนในตับ การสังเคราะห์จึงออกฤทธิ์ต้านความเมื่อยล้า สารสกัด Cistanche tubulosa ที่อุดมไปด้วยฟีนิลทานอยด์ไกลโคไซด์สามารถลดระดับครีเอทีนไคเนสในซีรั่ม, แลคเตตดีไฮโดรจีเนส และระดับแลคเตตได้อย่างมีนัยสำคัญ และเพิ่มระดับฮีโมโกลบิน (HB) และระดับกลูโคสในหนู ICR และอาจมีบทบาทในการต่อต้านความเหนื่อยล้าโดยการลดความเสียหายของกล้ามเนื้อ และชะลอการเสริมกรดแลคติคเพื่อกักเก็บพลังงานในหนู เม็ด Cistanche Tubulosa แบบผสมช่วยยืดเวลาการว่ายน้ำแบบรับน้ำหนักได้อย่างมีนัยสำคัญ เพิ่มการสำรองไกลโคเจนในตับ และลดระดับยูเรียในซีรั่มหลังการออกกำลังกายในหนู ซึ่งแสดงฤทธิ์ต้านความเมื่อยล้า ยาต้มของ Cistanchis สามารถปรับปรุงความอดทนและเร่งการกำจัดความเหนื่อยล้าในหนูที่ออกกำลังกายและยังสามารถลดระดับความสูงของครีเอทีนไคเนสในซีรั่มหลังการออกกำลังกายอย่างหนักและรักษาโครงสร้างพื้นฐานของกล้ามเนื้อโครงร่างของหนูให้เป็นปกติหลังการออกกำลังกายซึ่งบ่งชี้ว่ามีผลกระทบ เสริมสร้างความแข็งแรงทางร่างกายและต้านความเมื่อยล้า นอกจากนี้ Cistanchis ยังช่วยยืดอายุการรอดชีวิตของหนูที่ได้รับพิษไนไตรท์ได้อย่างมาก และเพิ่มความทนทานต่อภาวะขาดออกซิเจนและความเหนื่อยล้า

ในชุดข้อมูลยาเม็ด เราเลือกกลุ่มรูปภาพเพื่อทดสอบแบบจำลอง ชุดนี้ประกอบด้วยภาพหกภาพ: ภาพดิบจากบนลงล่างและล่างขึ้นบนและภาพความจริงภาคพื้นดินที่สอดคล้องกันและผลลัพธ์ที่แบ่งส่วน ภาพเหล่านี้แสดงในรูปที่ 9

เพื่อประเมินประสิทธิภาพของโมเดลที่เรานำเสนอ เราได้เปรียบเทียบผลลัพธ์ของ Fuzzy DBNet และความจริงพื้นฐานบนชุดข้อมูลการทดสอบโดยใช้ค่าสัมประสิทธิ์ลูกเต๋าเฉลี่ย, mIoU และความแม่นยำระดับพิกเซล ผลลัพธ์แสดงไว้ในตารางที่ 3

เราเลือกรูปภาพสองชุดจากผลการแบ่งส่วนชุดข้อมูลการทดสอบยาเป็นตัวอย่าง ในรูปที่ 10 ประสิทธิภาพการแบ่งเซ็กเมนต์ของ BtrflyNet ด้อยกว่า ในทางกลับกัน เมื่อ DoubleU-Net จดจำยาเม็ดโดยไม่มีข้อความ ก็มีแนวโน้มที่จะเกิดข้อผิดพลาดในการจำแนกประเภท รูปที่ 11 แสดงกรณีทดสอบที่มีการป้อนรูปภาพโดยเจตนาไม่ถูกต้อง โดยที่ภาพของเม็ดยาถูกจับภาพในมุมที่ต่างกัน แทนที่จะเป็นมุมมองด้านหน้าและด้านหลัง สิ่งนี้ไม่เพียงแต่ทำให้ประสิทธิภาพการจำแนกประเภทของ DoubleU-Net ไม่ดีเท่านั้น แต่ยังทำให้ความแม่นยำในการจำแนกประเภทสำหรับโมเดลและ BtrflyNet ของเราลดลงด้วย เนื่องจากสิ่งเหล่านั้นได้รับผลกระทบจากคุณสมบัติของยาที่วางผิดที่

4. การอภิปราย

เราเปรียบเทียบประสิทธิภาพของวิธีการที่เราเสนอกับ BtrflyNet บนชุดข้อมูลยาเม็ดและปอด และแสดงให้เห็นว่าแนวทางของเราบรรลุผลการแบ่งส่วนที่ดีขึ้น

จากรูปที่ 6, 7 และ 10 สังเกตได้ว่าแบบจำลองของเราได้รับการฝึกฝนโดยการรวมภาพสองด้านเข้าด้วยกัน โมเดลของเรามีการแบ่งส่วนที่สมบูรณ์มากขึ้นและมีความแม่นยำในการจำแนกประเภทที่สูงกว่าเมื่อเปรียบเทียบกับรุ่นอื่นๆ ในทางกลับกัน โมเดลของเราก็มีข้อจำกัดเช่นกัน ตัวอย่างเช่น ดังแสดงในรูปที่ 11 ขาดข้อได้เปรียบในรูปภาพที่ไม่ใช่สองด้านหรือรูปภาพสองด้านที่มีตำแหน่งไม่ตรง และมีแนวโน้มที่จะจัดประเภทวัตถุที่แบ่งส่วนผิด จากทั้งสองกรณีนี้ สรุปได้ว่าโมเดลได้รวมคุณสมบัติที่สำคัญจากทั้งสองด้านของรูปภาพอินพุตระหว่างการฝึก ดังนั้น รูปภาพอินพุตสองรูปของวัตถุเป้าหมายเดียวกันควรทับซ้อนกันให้มากที่สุดเพื่อใช้ประโยชน์จากโมเดลของเราอย่างเต็มที่

คลิกที่หมด

【สำหรับข้อมูลเพิ่มเติม:george.deng@wecistanche.com / WhatsApp:8613632399501】

ในชุดข้อมูลเอ็กซ์เรย์ปอด แบบจำลองของเรามีประสิทธิภาพเหนือกว่า BtrflyNet ในเรื่องความแม่นยำในการแบ่งส่วน เนื่องจากการรวมเอา ASPP แบบคลุมเครือและการใช้ภาพสองด้านเป็นอินพุต แบบจำลองของเราจึงสร้างการแบ่งส่วนปอดที่สมบูรณ์ยิ่งขึ้นแม้สำหรับภาพที่พร่ามัว เมื่อเปรียบเทียบกับ DoubleU-Net

ในชุดข้อมูลยาเม็ด แบบจำลองของเรามีประสิทธิภาพเหนือกว่าทั้ง BtrflyNet และ DoubleU-Net ในด้านความแม่นยำในการแบ่งส่วนและความแม่นยำในการจำแนกประเภท โดยเฉพาะอย่างยิ่งเมื่อมีข้อความที่ด้านหลังของยาเม็ด ด้วยการใช้ประโยชน์จากคุณสมบัติจากภาพด้านหลัง วิธีการที่เรานำเสนอจึงได้รับการจำแนกประเภทที่แม่นยำ

หลังจากปรึกษากับศูนย์การแพทย์แล้ว เราได้เรียนรู้ว่าสภาวะทางพยาธิวิทยาหลายอย่างต้องการข้อมูลจากการถ่ายภาพทางการแพทย์แบบสองด้านเพื่อการวินิจฉัยที่แม่นยำ ตัวอย่างเช่น แพทย์มักจะใช้มุมมอง AP และ PA จากการสแกนกระดูกกัมมันตภาพรังสีเพื่อวินิจฉัยรอยโรคที่แพร่กระจาย รวมถึงภาพจากมุมมองที่แตกต่างกันในข้อมูลเอ็กซ์เรย์ข้อเข่าเพื่อวินิจฉัยโรคข้ออักเสบ จากการวิเคราะห์ข้างต้น สามารถอนุมานได้ว่าแบบจำลองของเราสามารถบรรลุผลลัพธ์ที่เหนือกว่าเมื่อนำไปใช้กับชุดข้อมูลที่มีการถ่ายภาพสองด้านประเภทนี้

โดยรวมแล้ว ดังที่แสดงในตารางที่ 4 วิธีการที่เรานำเสนอได้รับคะแนน mIoU ที่สูงกว่า ค่าสัมประสิทธิ์ลูกเต๋า และความแม่นยำระดับพิกเซลเมื่อเปรียบเทียบกับ BtrflyNet และ DoubleU-Net ผลลัพธ์เหล่านี้แสดงให้เห็นว่าวิธีการที่เรานำเสนอช่วยเพิ่มความแม่นยำในการแบ่งส่วนภาพจากภาพสองด้าน

5. สรุปผลการวิจัย

ในบทความนี้ เราได้เสนอ Fuzzy DBNet ซึ่งนำภาพอินพุตสองภาพมาแก้ไขปัญหาด้านหนึ่งของวัตถุที่เบลอหรือไม่สมบูรณ์ โมเดลที่เรานำเสนอได้รับความแม่นยำระดับพิกเซลที่ 92.8% บนชุดข้อมูลยา ซึ่งมีความแม่นยำมากกว่า Double U-Net 10.4% และ 6.9% เมื่อเทียบกับ BtryflyNet ซึ่งช่วยแก้ปัญหาข้อความที่ไม่สอดคล้องกันทั้งสองด้านของยาที่ไม่สามารถทำได้ได้อย่างมีประสิทธิภาพ จำแนกได้อย่างถูกต้องตามภาพเดียว ในชุดข้อมูลเอ็กซ์เรย์ทรวงอก ความแม่นยำระดับพิกเซลสูงถึง 96.9% ซึ่งแม่นยำกว่า Double U-Net และ BtryflyNet 2.8 และ 7.2% ตามลำดับ วิธีนี้ช่วยปรับปรุงปัญหาส่วนที่คลุมเครือหรือมีเสียงรบกวนในการแบ่งส่วนภาพ

งานในอนาคตส่วนใหญ่ประกอบด้วยสองส่วน อันดับแรก เรามุ่งหวังที่จะใช้แบบจำลองของเรากับการจดจำรอยโรคต่างๆ ที่ต้องใช้ภาพทางการแพทย์แบบสองด้าน เช่น การแพร่กระจายของกระดูกและหัวเข่า ต่อไปนี้ เราวางแผนที่จะพัฒนาสถาปัตยกรรมเครือข่ายที่สามารถรวมภาพหลายมุมที่นอกเหนือไปจากขอบเขตปัจจุบันของภาพสองด้าน ซึ่งจะช่วยให้สามารถสร้างแบบจำลองหลายมุมมองเพื่อจำลองการมองเห็นสามมิติได้ ด้วยการใช้ประโยชน์จากข้อมูลเชิงลึกที่บันทึกจากมุมที่แตกต่างกัน ประสิทธิภาพของแบบจำลองจึงสามารถปรับปรุงให้ดียิ่งขึ้นไปอีก

ความก้าวหน้านี้จะอำนวยความสะดวกในการรวบรวมและจัดเตรียมชุดข้อมูลที่หลากหลายมากขึ้น และเพิ่มการประยุกต์ใช้แนวทางที่เสนอกับสาขาต่างๆ ที่กว้างขึ้น

ผลงานของผู้เขียน:ระเบียบวิธี, C.-LC, C.-YL, Y.-ML, S.-WC และ AKS; ซอฟต์แวร์, J.-CL, C.-YL, Y.-ML และ S.-WC; การตรวจสอบความถูกต้อง, J.-CL, C.-YL และ AKS; การวิเคราะห์อย่างเป็นทางการ Y.-ML; การเขียน— ร่างต้นฉบับ T.-YS, TC และ P.-CH; การกำกับดูแล T.-YS, TC และ P.-CH; การบริหารโครงการ C.-LC ผู้เขียนทุกคนได้อ่านและยอมรับต้นฉบับที่ตีพิมพ์แล้ว

เงินทุน:งานวิจัยนี้ไม่ได้รับเงินทุนจากภายนอก

คำแถลงของคณะกรรมการพิจารณาสถาบัน:ไม่สามารถใช้ได้.

คำชี้แจงความยินยอม:ไม่สามารถใช้ได้.

คำชี้แจงความพร้อมของข้อมูล:ชุดข้อมูลทั้งหมดที่ใช้ในเอกสารนี้เปิดเผยต่อสาธารณะ

ผลประโยชน์ทับซ้อน:ผู้เขียนขอประกาศว่าไม่มีความขัดแย้งทางผลประโยชน์

อ้างอิง

1. ทาริก, RA; วาชิชต์ ร.; สิงหา, อ.; Scherbak, Y. ข้อผิดพลาดในการจ่ายยาและการป้องกัน; StatPearls: เกาะมหาสมบัติ ฟลอริดา สหรัฐอเมริกา 2020

2. รอนเนเบอร์เกอร์ โอ.; ฟิสเชอร์, พี.; Brox, T. U-net: เครือข่าย Convolutional สำหรับการแบ่งส่วนภาพทางชีวการแพทย์ ใน รายงานการประชุมนานาชาติครั้งที่ 18, MICCAI, มิวนิก, เยอรมนี, 5-9 ตุลาคม 2558; หน้า 234–241.

3. จา ด.; รีกเลอร์, แมสซาชูเซตส์; โยฮันเซ่น, ดี.; ฮัลวอร์เซ่น, พี.; Johansen, HD Doubleu-net: โครงข่ายประสาทเทียมเชิงลึกสำหรับการแบ่งส่วนภาพทางการแพทย์ ใน Proceedings of the IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), Rochester, MN, USA, 28–30 กรกฎาคม 2020; หน้า 558–564.

4. ชิน ซีแอล; ช้าง ซีแอล; หลิว วายซี; Lin, YL การแบ่งส่วนอัตโนมัติและตัวชี้วัดการวัดเส้นเสียงและสายเสียงในภาพส่องกล้องกล่องเสียงโดยใช้ Mask R-CNN ชีวการแพทย์ อังกฤษ ใบสมัคร ชุมชนพื้นฐาน 2021, 33, 2150027.

5. พลูโดฟสกี้ เจ.; Mulawka, J. การเรียนรู้ของเครื่องเพื่อการรับรู้โรคปอดขั้นพื้นฐาน ใบสมัคร วิทยาศาสตร์ 2022, 12, 8086. [CrossRef]

6. ราชรามัน ส.; กัว ป.; ซู่, ซ.; Antani, SK ชุด Deep Modality-Specific สำหรับการปรับปรุงการตรวจหาโรคปอดบวมในการเอ็กซ์เรย์ทรวงอก การวินิจฉัย 2022, 12, 1442 [CrossRef] [PubMed]

7. กรานาตา, ว.; ฟัสโก้ ร.; คอสตา ม.; พิโคน, ซี.; คอสซี่ ด.; โมโรนี ค.; Petrillo, A. รายงานเบื้องต้นเกี่ยวกับคุณสมบัติการตรวจเอกซเรย์คอมพิวเตอร์ด้วยรังสีเป็นตัวบ่งชี้ทางชีวภาพในการเลือกภูมิคุ้มกันบำบัดในผู้ป่วยมะเร็งของต่อมในปอด มะเร็ง 2021, 13, 3992 [CrossRef] [PubMed]

8. ซาโรกูลิดิส ป.; คิโอมิส ฉัน.; พิตซิอู ก.; ปอร์พอดิส, เค.; แลมปากิ ส.; ปภาวันนุช อ.; คัตซิโคเกียนนิส น.; ซาริก บ.; บรานิสลาฟ ป.; เซเซน น.; และคณะ โรคปอดบวม: จากคำจำกัดความสู่การวินิจฉัยและการรักษา เจ. ทอรัก. โรค 2014, 6 (เสริม S4), S372–S376. [ผับเมด]

9. จางร.; หยาง เอฟ.; หลัว ย.; หลิว เจ.; หลี่ เจ.; Wang, C. Part-Aware Mask-Guided Attention สำหรับการจำแนกโรคทรวงอก เอนโทรปี 2021, 23, 653 [CrossRef] [PubMed]

10. หยาง เอฟ.; ลู, PX; เติ้ง ม.; วัง YXJ; ราชรามัน ส.; ซู่, ซ.; Jaeger, S. คำอธิบายประกอบเกี่ยวกับความผิดปกติของปอดในชุดข้อมูลรังสีเอกซ์ทรวงอกเซินเจิ้นสำหรับการคัดกรองโรคปอดโดยใช้คอมพิวเตอร์ช่วย ข้อมูล 2022, 7, 95. [CrossRef] [PubMed]

11. บรอสกา, ล.; ทรัส, คูเลสคู, AA; Ancus, a, VM; ชิโอคาร์ลี เอช.; โออันเซีย, CI; สโตอิเชสคู ER; Manolescu, DL วิธีการใหม่สำหรับการประมวลผลภาพปอดโดยใช้เครือข่ายที่ซับซ้อน เอกซ์เรย์ 2022, 8, 1928–1946 [CrossRef] [PubMed]

12. มาบรูค อ.; ดิแอซ เรดอนโด, RP; ต้าโฮ่ว, อ.; อับด์ เอลาซิซ, ม.; Kayed, M. การตรวจหาโรคปอดบวมบนภาพเอ็กซ์เรย์หน้าอกโดยใช้เครือข่ายประสาทเทียมแบบ Deep Convolutional ใบสมัคร วิทยาศาสตร์ 2022, 12, 6448. [CrossRef]

13. คิเช ม.; คาราฟฟินี เอฟ.; Kuhn, S. การพัฒนาโครงข่ายประสาทเทียมแบบการเรียนรู้เชิงลึกสำหรับการตรวจหาเชื้อโควิดในระยะเริ่มต้น-19 ในภาพเอ็กซ์เรย์ทรวงอก คณิตศาสตร์ 2564, 9, 1002 [CrossRef]

14. เฉา ฟ.; Zhao, H. อัลกอริธึมการแบ่งส่วนปอดอัตโนมัติบนภาพเอ็กซ์เรย์หน้าอกโดยใช้ตัวเข้ารหัสอัตโนมัติแบบฟิวชั่นและกลไกความสนใจสามเทอร์มินัล สมมาตร 2021, 13, 814 [CrossRef]

15. อัลฮาริธี ฟ.; อัลมูลีฮิ, อ.; บูรูอิส ส.; อัลโรบาเอีย ร.; Bouguila, N. วิธีการเรียนรู้แบบเลือกปฏิบัติโดยใช้แบบจำลองส่วนผสมที่ยืดหยุ่นสำหรับการจัดหมวดหมู่และการรับรู้ข้อมูลทางการแพทย์ เซ็นเซอร์ 2021, 21, 2450 [CrossRef] [PubMed]

16. ราชรามัน ส.; โฟลิโอ, LR; ดิมเปริโอ เจ.; อัลเดอร์สัน, PO; Antani, SK ปรับปรุงการแบ่งส่วนความหมายของวัณโรค—การค้นพบที่สอดคล้องกันในการเอ็กซ์เรย์ทรวงอกโดยใช้การฝึกเสริมของแบบจำลอง u-net เฉพาะรูปแบบด้วยการแปลเป็นภาษาท้องถิ่นที่อ่อนแอ การวินิจฉัย 2021, 11, 616 [CrossRef] [PubMed]

17. ชาเครี อ.; คอนสแตนเตลอส น.; ชูค.; อันโตนิโออู ต.; เฟลด์ เจ.; สุดา, เคเจ; Tadrous, M. แนวโน้มการใช้งานทั่วโลกของยาต้านไวรัสที่ออกฤทธิ์โดยตรง (DAA) ในช่วงการแพร่ระบาดของโควิด-19: การวิเคราะห์อนุกรมเวลา ไวรัส 2021, 13, 1314 [CrossRef] [PubMed]

18. เอลลิส ร.; เฮย์-เดวิด, เอจีซี; Brennan, PA การปฏิบัติงานในช่วงการแพร่ระบาดของโควิด-19: วิธีลดข้อผิดพลาดทางการแพทย์ บ. เจ. ออรัล Maxillofac. การผ่าตัด 2020, 58, 577–580. [CrossRef] [PubMed]

19. อู๋ ปป; ไช่, AC; โจว XP; วัง เจเอฟ การตรวจจับเม็ดยาอัตโนมัติโดยอิงจากเครือข่ายพีระมิดคุณลักษณะที่ได้รับการปรับปรุงและโครงข่ายประสาทเทียมแบบบิด ไออีทีคอมพิวเตอร์ วิส 14, 9–17 ปี 2020. [ครอสอ้างอิง]

20. วันด์เมียเน่ อ.; อเลมู ว.; ทาเดล น.; Demis, A. ข้อผิดพลาดในการบริหารยาและปัจจัยที่มีส่วนช่วยในหมู่พยาบาล: การศึกษาภาคตัดขวางในโรงพยาบาลระดับตติยภูมิ, แอดดิสอาบาบา, เอธิโอเปีย พยาบาลบีเอ็มซี 2020, 19, 4. [CrossRef] [PubMed]

21. วัง ย.; ริเบรา เจ.; หลิวค.; ยาร์ลากัดดา ส.; Zhu, F. Pill Recognition โดยใช้ข้อมูลที่มีป้ายกำกับน้อยที่สุด ใน รายงานการประชุมนานาชาติ IEEE Third International Conference on Multimedia Big Data (BigMM) ประจำปี 2017, ลากูน่าฮิลส์, แคลิฟอร์เนีย, สหรัฐอเมริกา, 19–21 เมษายน 2017; หน้า 346–353.

22. ควอน ฮยอนจุง; คิม เอชจี; แบบจำลองการตรวจจับยา Lee, SH สำหรับการตรวจสอบยาโดยอาศัยการเรียนรู้เชิงลึก เคมีเซ็นเซอร์ 2022, 10, 4. [CrossRef]

23. ตาล ล.; หวงฟู่ ต.; วูล.; Chen, W. การเปรียบเทียบ YOLO v3, R-CNN ที่เร็วขึ้น และ SSD สำหรับการระบุยาแบบเรียลไทม์

24. โนกีรา ค.; ดอสซานโตส, เจเอ; เมนินี่ น.; ซิลวา, ทีเอสเอฟ; โมเรลลาโต, แอลพีซี; Torres, RDS Spatio-Temporal การจำแนกพิกเซลพืชพรรณโดยใช้เครือข่าย Convolutional IEEE Geosci รีโมตเซนส์ เลตต์ 2019, 16, 1665–1669. [ครอสอ้างอิง]

25. อ.ชิมิสึ.; วาคาบายาชิ, เอช.; คานาโมริ ต.; ไซโตะ อ.; นิชิกาว่า เค.; ไดซากิ เอช.; ฮิกาชิยามะ ส.; Kawabe, J. การวัดดัชนีการสแกนกระดูกอัตโนมัติจาก scintigram ของกระดูกทั้งร่างกาย นานาชาติ เจ.คอมพิวเตอร์ ช่วยเหลือ. เรดิโอล. การผ่าตัด 2020, 15, 389–400. [CrossRef] [PubMed]

26. ชุดข้อมูลเอ็กซ์เรย์ทรวงอก NIH พร้อมใช้งานออนไลน์: https://scidm.nchc.org.tw/dataset/nih-chest-x-ray-dataset (เข้าถึงเมื่อ 2 พฤษภาคม 2023)

27. คูบัค, ED; โซฟ บ.; ชเลนส์ เจ.; Le, QV Randaugment: การเพิ่มข้อมูลอัตโนมัติที่ใช้งานได้จริงพร้อมพื้นที่การค้นหาที่ลดลง ใน Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, ซีแอตเทิล, วอชิงตัน, สหรัฐอเมริกา, 14–19 มิถุนายน 2020; หน้า 702–703.

28. ตัวอธิบายรูปภาพ VGG พร้อมใช้งานออนไลน์: https://www.robots.ox.ac.uk/vgg/software/via/ (เข้าถึงเมื่อ 26 กันยายน 2022)

ข้อสงวนสิทธิ์/หมายเหตุของผู้จัดพิมพ์:ข้อความ ความคิดเห็น และข้อมูลที่มีอยู่ในสิ่งพิมพ์ทั้งหมดเป็นของผู้เขียนและผู้มีส่วนร่วมเท่านั้น ไม่ใช่ของ MDPI และ/หรือบรรณาธิการ MDPI และ/หรือบรรณาธิการไม่รับผิดชอบต่อการบาดเจ็บต่อบุคคลหรือทรัพย์สินอันเป็นผลมาจากแนวคิด วิธีการ คำแนะนำ หรือผลิตภัณฑ์ที่อ้างถึงในเนื้อหา

【สำหรับข้อมูลเพิ่มเติม:george.deng@wecistanche.com / WhatsApp:8613632399501】