استخدام مترجم غیرحضوری

سلام

از این‌که تمایل به همکاری با وب‌رویا را دارید بسیار مفتخریم.

لطفا متن زیر را با دقت مطالعه فرمایید، سپس جهت درخواست همکاری فرم زیر را پر و ارسال نمائید:

شرایط استخدام مترجم غیرحضوری

  1. مترجم عزیز باید تسلط کامل به مباحث و اصطلاحات تخصصی حوزه فناوری اطلاعات، کامپیوتر و انفورماتیک پزشکی (به‌خصوص موضوعات به‌روز همچون هوش مصنوعی، یادگیری ماشین، اینترنت اشیا، بلاک‌چین و …) داشته باشد.
  2. تسلط کامل به ترجمه انگلیسی به فارسی جهت همکاری نیاز است و نیازی به تسلط برای سایر زبان‌ها نیست.
  3. دقت کنید به‌هیچ وجه از ترجمه ماشینی (مثل ترجمه گوگل) استفاده نشود. حتی استفاده از ترجمه ماشینی با ویرایش مترجم هم ممنوع است. تمامی سفارش‌ها مورد بررسی دقیق قرار می‌گیرند و درصورت وجود شباهت با ترجمه ماشینی هیچ پرداختی صورت نمی‌گیرد.
  4. فقط مقالات علمی ISI برای ترجمه به مترجم محترم داده می‌شود.
  5. همکاری با وب‌رویا می‌تواند به‌عنوان شغل دومی مناسب برای شما باشد، زیرا حجم کاری شما به‌خصوص در اوایل همکاری زیاد نبوده و منعطف خواهد بود.
  6. مبلغ پرداختی برای ترجمه بین 20 تا 30 تومان به ازای هر کلمه باتوجه به نوع مقاله و زمان تحویل ترجمه متفاوت خواهد بود.
  7. امکان تسویه هفتگی و یا تسویه پس از تحویل هر ترجمه وجود دارد.
  8. توجه داشته باشید ارسال فرم استخدام به منزله استخدام شما نیست، پس از بررسی مشخصات ارسالی درصورت پذیرش شما جهت همکاری با شما تماس برقرار خواهیم کرد. لذا از تماس و پیگیری در این‌باره خودداری نمائید.

با سپاس و آرزوی موفقیت

 

 

 

 

 

Gastric Lesion Classification Using Deep Learning Based on Fast and Robust Fuzzy C‑Means and Simple Linear Iterative Clustering Superpixel Algorithms

Gastric diseases are a common medical issue; they can be detected using endoscopy equipment. Computer-aided diagnosis (CADx) systems can help internists identify gastric diseases more accurately. In this paper, we present a CADx system that can detect and classify gastric diseases such as gastric polyps, gastric ulcers, gastritis, and cancer. The system uses a deep learning model as a GoogLeNet based on an Inception module. The fast and robust fuzzy C-means (FRFCM) and simple linear iterative clustering (SLIC) superpixel algorithms are applied for image segmentation during preprocessing. The FRFCM algorithm, which is based on morphological reconstruction and membership filtering, is much faster and more robust than fuzzy C-means. In addition, the SLIC superpixel algorithm adapts the k-means clustering method to efficiently generate superpixels. These two approaches produce a feasible method of classifying normal and abnormal gastric lesions. The areas under the receiver operating characteristic curves were 0.85 and 0.87 for normal and abnormal lesions, respectively. The proposed CADx system also performs reliably.