دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1st ed. 2019] نویسندگان: Daoqiang Zhang, Luping Zhou, Biao Jie, Mingxia Liu سری: Lecture Notes in Computer Science 11849 ISBN (شابک) : 9783030358167, 9783030358174 ناشر: Springer International Publishing سال نشر: 2019 تعداد صفحات: IX, 182 [191] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 37 Mb
در صورت تبدیل فایل کتاب Graph Learning in Medical Imaging: First International Workshop, GLMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings 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 آموزش نمودار در تصویربرداری پزشکی: اولین کارگاه بین المللی، GLMI 2019، برگزار شده در ارتباط با MICCAI 2019، شنژن، چین، 17 اکتبر 2019، مجموعه مقالات 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.
این کتاب مجموعه مقالات داوری اولین کارگاه بینالمللی یادگیری نمودار در تصویربرداری پزشکی، GLMI 2019 است که در ارتباط با MICCAI 2019 در شنژن، چین، در اکتبر 2019 برگزار شد.
21 مقاله کامل. ارائه شده به دقت بررسی و از بین 42 مورد ارسالی انتخاب شد. این مقالات بر روی روندها و چالشهای اصلی یادگیری گراف در تصویربرداری پزشکی تمرکز دارند و کار اصلی را با هدف شناسایی تکنیکهای جدید و کاربردهای آنها در تصویربرداری پزشکی ارائه میکنند.This book constitutes the refereed proceedings of the First International Workshop on Graph Learning in Medical Imaging, GLMI 2019, held in conjunction with MICCAI 2019 in Shenzhen, China, in October 2019.
The 21 full papers presented were carefully reviewed and selected from 42 submissions. The papers focus on major trends and challenges of graph learning in medical imaging and present original work aimed to identify new cutting-edge techniques and their applications in medical imaging.