ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Deep Learning in Medical Image Analysis: Challenges and Applications (Advances in Experimental Medicine and Biology, 1213)

دانلود کتاب یادگیری عمیق در تجزیه و تحلیل تصویر پزشکی: چالش ها و کاربردها (پیشرفت ها در پزشکی تجربی و زیست شناسی، 1213)

Deep Learning in Medical Image Analysis: Challenges and Applications (Advances in Experimental Medicine and Biology, 1213)

مشخصات کتاب

Deep Learning in Medical Image Analysis: Challenges and Applications (Advances in Experimental Medicine and Biology, 1213)

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 303033127X, 9783030331276 
ناشر: Springer 
سال نشر: 2020 
تعداد صفحات: 184 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

قیمت کتاب (تومان) : 56,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Deep Learning in Medical Image Analysis: Challenges and Applications (Advances in Experimental Medicine and Biology, 1213) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری عمیق در تجزیه و تحلیل تصویر پزشکی: چالش ها و کاربردها (پیشرفت ها در پزشکی تجربی و زیست شناسی، 1213) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب یادگیری عمیق در تجزیه و تحلیل تصویر پزشکی: چالش ها و کاربردها (پیشرفت ها در پزشکی تجربی و زیست شناسی، 1213)

 این کتاب تحقیقات پیشرفته و کاربردهای یادگیری عمیق را در طیف وسیعی از سناریوهای تصویربرداری پزشکی، مانند تشخیص به کمک رایانه، تقسیم‌بندی تصویر، تشخیص و طبقه‌بندی بافت، و سایر زمینه‌های مشکلات پزشکی و بهداشتی ارائه می‌کند. هر یک از فصل‌های آن موضوعی را به طور عمیق پوشش می‌دهد، از سنتز تصویر پزشکی و تکنیک‌های آنالیز اسکلتی عضلانی تا ابزارهای تشخیصی ضایعات پستان در ماموگرافی دیجیتال و گلوکوم در تصاویر فوندوس شبکیه. همچنین مروری بر یادگیری عمیق در تجزیه و تحلیل تصویر پزشکی ارائه می‌کند و مسائل و چالش‌های پیش روی محققان و پزشکان را برجسته می‌کند و رویکردهای عملی را به طور کلی و در زمینه مشکلات خاص بررسی و بحث می‌کند. دانشگاهیان، محققان بالینی و صنعتی، و همچنین محققان جوان و دانشجویان فارغ التحصیل در رشته های تصویربرداری پزشکی، تشخیص به کمک کامپیوتر، مهندسی پزشکی و بینایی کامپیوتر، این کتاب را مرجع عالی و منبع یادگیری بسیار مفیدی خواهند یافت.


توضیحاتی درمورد کتاب به خارجی

This book presents cutting-edge research and applications of deep learning in a broad range of medical imaging scenarios, such as computer-aided diagnosis, image segmentation, tissue recognition and classification, and other areas of medical and healthcare problems. Each of its chapters covers a topic in depth, ranging from medical image synthesis and techniques for muskuloskeletal analysis to diagnostic tools for breast lesions on digital mammograms and glaucoma on retinal fundus images. It also provides an overview of deep learning in medical image analysis and highlights issues and challenges encountered by researchers and clinicians, surveying and discussing practical approaches in general and in the context of specific problems. Academics, clinical and industry researchers, as well as young researchers and graduate students in medical imaging, computer-aided-diagnosis, biomedical engineering and computer vision will find this book a great reference and very useful learning resource.



فهرست مطالب

Preface
Contents
Part I Overview and Issues
	Deep Learning in Medical Image Analysis
		Introduction
		Deep Learning for Medical Image Analysis and CAD
		Challenges in Deep-Learning-Based CAD
			Data Collection
			Transfer Learning
			Data Augmentation
			Training, Validation, and Independent Testing
			Acceptance Testing, Preclinical Testing, and User Training
			Quality Assurance and Performance Monitoring
			Interpretability of CAD/AI Recommendations
		Summary
	Medical Image Synthesis via Deep Learning
		Introduction
		Deep Learning Models for Medical Image Synthesis
			Convolutional Neural Networks
			Generative Adversarial Networks
		Within-Modality Synthesis
			3D cGAN
				Framework
				Experimental Results
			Locality Adaptive Multi-Modality GANs
				Framework
				Experimental Results
		Cross-Modality Synthesis
			3D cGAN with Subject-Specific Local Adaptive Fusion
				Framework
				Experimental Results
			Edge-Aware GANs
				Framework
				Experimental Results
		Conclusion
Part II Applications: Screening and Diagnosis
	Deep Learning for Pulmonary Image Analysis: Classification, Detection, and Segmentation
		Background of Lung Diseases
		Introduction
		Methods
			Classification of Lung Abnormalities
			Detection of Lung Abnormalities
			Segmentation of Lung Abnormalities
		Conclusion
	Deep Learning Computer-Aided Diagnosis for Breast Lesion in Digital Mammogram
		Introduction
		Related Work
		Materials and Methods
			Dataset
			Datasets Preparation: Training, Validation, and Testing
			Preprocessing
			Data Balancing and Augmentation
			Initialization of Trainable Parameters for Deep Learning Models
			Breast Lesion Detection via YOLO
			Breast Lesion Segmentation via FrCN
			Breast Lesion Classification via Three Convolutional Neural Networks
		Experimental Settings
			Detection Experimental Settings
			Segmentation Experimental Settings
			Classification Experimental Settings
			Implementation Environment
		Experimental Results and Discussion
			Evaluation Metrics
			Breast Lesion Detection Results
			Breast Lesion Segmentation Results
			Breast Lesion Classification Results
		Conclusion
	Decision Support System for Lung Cancer Using PET/CT and Microscopic Images
		Introduction
		Outline of Decision Support System
		Automated Detection of Lung Nodules in PET/CT Images Using Convolutional Neural Network and Radiomic Features
			Background
			Method Overview
			Initial Nodule Detection
			False Positive Reduction
				Classification Using a Convolutional Neural Network
				Handcrafted Radiomic Features
				Classification
			Results
				Image Datasets
				Evaluation Metrics
				Detection Results
			Discussion
		Automated Malignancy Analysis of Lung Nodules in PET/CT Images Using Radiomic Features
			Introduction
			Materials and Methods
				Image Dataset
				Methods Overview
				Volume of Interest (VOI) Extraction
				Extraction of Characteristic Features
				Classification
			Results
			Discussion
		Automated Malignancy Analysis Using Lung Cytological Images
			Introduction
			Materials and Methods
				Image Dataset
				Network Architecture
			Results and Discussion
		Automated Classification of Lung Cancer Types from Cytological Images
			Introduction
			Materials and Methods
				Image Dataset
				Network Architecture
			Results and Discussion
		Conclusion
	Lesion Image Synthesis Using DCGANs for Metastatic Liver Cancer Detection
		Introduction
		Proposed Method
			Dataset
			Lesion Image Generation
				Method 1: Synthesis Using Poisson Blending
				Method 2: Generation Based on a CT Value Distribution
				Method 3: Generation Using DCGANs
			Selection of the Region of Interest for Lesion Synthesis
			Detection Method
		Experiments
			Results
			Discussion
		Conclusion
	Retinopathy Analysis Based on Deep ConvolutionNeural Network
		Introduction
		General Arteriolar Narrowing Detection
			Blood Vessel Extraction
				Related Works
				Database
				Preprocessing
				Blood Vessel Extraction Using DCNN
			Detection of Arteriolar Narrowing Using AVR
				Related Works
				Database
				Classification of Arteries and Veins
				AVR Measurement
		Microaneurysm Detection
			Related Work
			Database
			Methods
				Preprocessing
				Microaneurysm Detection Based on DCNN
				Reducing the Number of False Positives
				Examination
		Conclusion
	Diagnosis of Glaucoma on Retinal Fundus Images Using Deep Learning: Detection of Nerve Fiber Layer Defect and Optic Disc Analysis
		Introduction
		Related Works
		NFLD Detection
			Background
			Proposed Method
				Segmentation Network
				Detection Network
				Combined Method
				Dataset
				Preprocessing
				Evaluation
			Results
			Discussion
		Optic Disc Analysis
			Background
			Methods
			Dataset
			Results
			Discussion
		Summary
Part III Applications: Emerging Opportunities
	Automatic Segmentation of Multiple Organs on 3D CT Images by Using Deep Learning Approaches
		Introduction
		Issue of Deep Learning for CT Image Segmentation
		Two Approaches for Multiple Organ Segmentations Using 2D and 3D Deep CNNs on CT Images
			Overview
			Deep Learning Anatomical Structures on 2D Sectional Images
			Deep Learning Local Appearances of Multiple Organs on 3D CT Images
			Conventional Image Segmentation Approach
		Results
		Discussions
			Segmentation Performances
			Training Protocol and Transfer Learning
			Comparison to Conventional Methods
			Computational Efficiency
		Conclusion
	Techniques and Applications in Skin OCT Analysis
		Introduction
		Skin Layer Segmentation in OCT
		Applications: Roughness, ET
		Deep Convolutional Networks in Skin Imaging
			Deep Learning for Classification of Dermoscopy Images
			Deep Learning for Classification of Full Field OCT Images
			Classification of Cross-Sectional OCT 2D Scans
			Semantic Segmentation in Cross-Sectional OCT Images
		Challenges
		Conclusions
	Deep Learning Technique for Musculoskeletal Analysis
		Importance of Musculoskeletal Analysis and Skeletal Muscle Analysis
		Musculoskeletal Recognition by Handcrafted Features and Its Limitations
		Skeletal Muscle Segmentation Using Deep Learning
		Whole-Body Muscle Analysis Using Deep Learning
		Fusion of Deep Learning and Handcrafted Features in Skeletal Muscle Modeling
		Conclusion
Index




نظرات کاربران