Deep Learning and Data Labeling for Medical Applications: First International Workshop, LABELS 2016, and Second International Workshop, DLMIA 2016, Held in Conjunction with MICCAI 2016, Athens, Greece, October 21, 2016, Proceedings

این کتاب مجموعه مقالات داوری دو کارگاه است که در نوزدهمین کنفرانس بین‌المللی محاسبات تصویر پزشکی و مداخله به کمک رایانه، MICCAI 2016، در آتن، یونان، در اکتبر 2016 برگزار شد: اولین کارگاه آموزشی حاشیه‌نویسی در مقیاس بزرگ پزشکی Data and Expert Label Synthesis، LABELS 2016، و دومین کارگاه بین المللی یادگیری عمیق در تجزیه و تحلیل تصویر پزشکی، DLMIA 2016. 28 مقاله منظم اصلاح شده ارائه شده در این کتاب به دقت بررسی و از مجموع 52 مورد ارسالی انتخاب شدند. 7 مقاله انتخاب شده برای LABELS به موضوعاتی از زمینه‌های زیر می‌پردازند: روش‌های جمع‌سپاری. یادگیری فعال؛ انتقال یادگیری؛ یادگیری نیمه نظارتی؛ و مدلسازی عدم قطعیت برچسب. 21 مقاله انتخاب شده برای DLMIA طیف وسیعی از موضوعات مانند توضیحات تصویر را در بر می گیرد. تشخیص مبتنی بر تصویربرداری پزشکی؛ تشخیص مبتنی بر سیگنال پزشکی؛ بازسازی تصویر پزشکی و انتخاب مدل با استفاده از تکنیک های یادگیری عمیق. تکنیک های فراابتکاری برای پارامتر تنظیم دقیق در معماری های مبتنی بر یادگیری عمیق. و برنامه های کاربردی مبتنی بر تکنیک های یادگیری عمیق.

This book constitutes the refereed proceedings of two workshops held at the 19th International Conference on Medical Image Computing and Computer-Assisted Intervention, MICCAI 2016, in Athens, Greece, in October 2016: the First Workshop on Large-Scale Annotation of Biomedical Data and Expert Label Synthesis, LABELS 2016, and the Second International Workshop on Deep Learning in Medical Image Analysis, DLMIA 2016. The 28 revised regular papers presented in this book were carefully reviewed and selected from a total of 52 submissions. The 7 papers selected for LABELS deal with topics from the following fields: crowd-sourcing methods; active learning; transfer learning; semi-supervised learning; and modeling of label uncertainty.The 21 papers selected for DLMIA span a wide range of topics such as image description; medical imaging-based diagnosis; medical signal-based diagnosis; medical image reconstruction and model selection using deep learning techniques; meta-heuristic techniques for fine-tuning parameter in deep learning-based architectures; and applications based on deep learning techniques.