یک شرکت مهندسی نوآور در حوزه تجهیزات پزشکی، آزمایشگاهی و تحقیقاتی است که با اتکا به تیمی چابک و متخصص، راهکارهایی پیشرفته برای دیجیتال‌سازی سیستم‌های تصویربرداری، از جمله میکروسکوپ، استریومیکروسکوپ و سامانه‌های جراحی ارائه می‌دهد.
محصولات این مجموعه شامل دوربین‌های تصویربرداری با وضوح بالا، نرم‌افزار اختصاصی، پکیج‌های کاملاً سفارشی‌سازی‌شده و تجهیزات جانبی نظیر لنز، مانیتور و پایه‌های طراحی‌شده متناسب با نیاز کاربران است.
تیم ما تنها یک تأمین‌کننده تجهیزات نیست؛ بلکه به‌عنوان یک شریک راهبردی در کنار مراکز درمانی، پژوهشی و دانشگاهی قرار می‌گیرد تا کیفیت تشخیص، مستندسازی و بهره‌وری فرآیندهای علمی و پزشکی را ارتقا بخشد.
ما راه‌حل‌هایی ارائه می‌دهیم که در عین انعطاف‌پذیری و انطباق با نیاز هر مجموعه، مقرون‌به‌صرفه و مبتنی بر فناوری روز هستند.
IMATT با تمرکز بر سادگی، دقت و سرعت در طراحی و اجرا، تلاش می‌کند استانداردهای تصویربرداری پزشکی را بازتعریف کرده و مسیر پیشرفت را برای متخصصان این حوزه هموار سازد.

Chairman of the Board

Chief Executive Officer

Creative Director of Digital Presence

Technical Generalist

  • Novel computer-aided systems for interpreting immunohistochemistry (IHC) results in breast cancer based on deep learning algorithms: A systematic review

    Sasan Salehi Nezamabadi, Haniyeh Rafiepoor, Mohammad Amin Barati, Elham Angouraj Taghavi, Golnar Khorsand, Parsa Mirzayi, Ali Taheri, Behzad Amanpour-Gharaei, Saman Asadi, Seyed-Ali Sadegh-Zadeh, Saeid Amanpour https://bccr.tums.ac.ir/index.php/bccrj/article/view/506 Breast cancer is a prevalent disease worldwide and the accurate diagnosis and prognosis of breast cancer are essential for the development of effective treatment plans. Pathology remains the gold […]

    Read More

  • Comparing Texture Analysis of Apparent Diffusion Coefficient MRI in Hepatocellular Adenoma and Hepatocellular Carcinoma

    Ayoob Dinar Abdullah, Behzad Amanpour-Gharaei, Mohssen Nassiri Toosi, Sina Delazar, Hamidraza Saligheh Rad, and Arvin Arian https://doi.org/10.7759/cureus.51443 Aim: This study aimed to assess the effectiveness of using MRI-apparent diffusion coefficient (ADC) map-driven radiomics to differentiate between hepatocellular adenoma (HCA) and hepatocellular carcinoma (HCC) features. Materials and methods: The study involved 55 patients with liver tumors […]

    Read More

  • COVID-19 risk factors using machine learning

    Banoei, M. M., Rafiepoor, H., Zendehdel, K., Seyyedsalehi, M. S., Nahvijou, A., Allameh, F., & Amanpour, S. (2023). Unraveling complex relationships between COVID-19 risk factors using machine learning based models for predicting mortality of hospitalized patients and identification of high-risk group: a large retrospective study. Frontiers in medicine, 10, 1170331.

    Read More