Handbook of Deep Learning in Biomedical Engineering and Health Informatics

ویرایش: 1 
نویسندگان: E. Golden Julie (editor),  Y. Harold Robinson (editor),  S. M. Jaisakthi (editor)  
سری:  
ISBN (شابک) : 1771889985, 9781771889988 
ناشر: Apple Academic Press 
سال نشر: 2021 
تعداد صفحات: 345 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 41 مگابایت 

قیمت کتاب (تومان) : 43,000



این جلد جدید تکنیک‌ها و رویکردهای یادگیری عمیق پیشرفته را مورد بحث قرار می‌دهد که می‌توانند در سیستم‌های زیست پزشکی و انفورماتیک سلامت به کار روند. یادگیری عمیق در زمینه زیست پزشکی یک روش موثر برای جمع آوری و تجزیه و تحلیل داده ها است که می تواند برای تشخیص دقیق بیماری استفاده شود.

این جلد به انواع کاربردها، تکنیک ها می پردازد. ، الگوریتم ها، پلتفرم ها و ابزارهای مورد استفاده در این زمینه مانند تقسیم بندی تصویر، طبقه بندی، ثبت و تجزیه و تحلیل به کمک کامپیوتر. ویراستاران بر این اصل پیش می‌روند که تشخیص دقیق بیماری به برداشت و تفسیر تصویر بستگی دارد. روش‌های زیادی برای دریافت تصاویر رادیولوژیکی با وضوح بالا وجود دارد، اما ما هنوز در تفسیر خودکار تصویر کمبود داریم. در حال حاضر تکنیک های یادگیری عمیق یک راه حل عملی برای تشخیص خودکار بیماری با دقت خوب ارائه می کنند. تجزیه و تحلیل داده‌های بالینی با استفاده از تکنیک‌های یادگیری عمیق، پزشکان را قادر می‌سازد تا بیماری‌ها را در مراحل اولیه تشخیص داده و بیماران را به طور مؤثرتری درمان کنند.

فصل‌ها رویکردهایی مانند الگوریتم‌های یادگیری عمیق، شبکه‌های عصبی کانولوشنال و موارد مکرر را بررسی می‌کنند. معماری شبکه عصبی، تکنیک‌های دوخت تصویر، معماری‌های عمیق RNN و موارد دیگر. این جلد همچنین نشان می‌دهد که چگونه تکنیک‌های یادگیری عمیق را می‌توان برای تشخیص‌های پزشکی چندین سناریو سلامت خاص، مانند سرطان، COVID-19، سندرم حاد عصبی پوستی، بیماری‌های قلبی عروقی و عصبی، ضایعات پوستی و سرطان پوست و غیره به کار برد.

< p>

ویژگی‌های کلیدی:

• پیشرفت‌های مهم فناوری اخیر در این زمینه را معرفی می‌کند
• تکنیک‌ها، پلتفرم‌های مختلف را شرح می‌دهد. و ابزارهای مورد استفاده در سیستم های یادگیری عمیق زیست پزشکی
• شامل مطالعات موردی آموزنده ای است که به توضیح فناوری های جدید کمک می کند

< p>راهنمای یادگیری عمیق در مهندسی بیومدیکال و انفورماتیک سلامت، کاوش کاملی از سیستم‌های زیست پزشکی بکار رفته با تکنیک‌های یادگیری عمیق ارائه می‌کند و اطلاعات ارزشمندی را برای محققان، پزشکان و پزشکان صنعت، دانشگاهیان و دانشجویان ارائه می‌دهد.

This new volume discusses state-of-the-art deep learning techniques and approaches that can be applied in biomedical systems and health informatics. Deep learning in the biomedical field is an effective method of collecting and analyzing data that can be used for the accurate diagnosis of disease.

This volume delves into a variety of applications, techniques, algorithms, platforms, and tools used in this area, such as image segmentation, classification, registration, and computer-aided analysis. The editors proceed on the principle that accurate diagnosis of disease depends on image acquisition and interpretation. There are many methods to get high resolution radiological images, but we are still lacking in automated image interpretation. Currently deep learning techniques are providing a feasible solution for automatic diagnosis of disease with good accuracy. Analyzing clinical data using deep learning techniques enables clinicians to diagnose diseases at an early stage and treat patients more effectively.

Chapters explore such approaches as deep learning algorithms, convolutional neural networks and recurrent neural network architecture, image stitching techniques, deep RNN architectures, and more. This volume also depicts how deep learning techniques can be applied for medical diagnostics of several specific health scenarios, such as cancer, COVID-19, acute neurocutaneous syndrome, cardiovascular and neuro diseases, skin lesions and skin cancer, etc.

Key features:

• Introduces important recent technological advancements in the field
• Describes the various techniques, platforms, and tools used in biomedical deep learning systems
• Includes informative case studies that help to explain the new technologies

Handbook of Deep Learning in Biomedical Engineering and Health Informatics provides a thorough exploration of biomedical systems applied with deep learning techniques and will provide valuable information for researchers, medical and industry practitioners, academicians, and students.

Cover
Half Title
Title Page
Copyright Page
About the Editors
Table of Contents
Contributors
Abbreviations
Acknowledgment
Preface
1. Review of Existing Systems in Biomedical Using Deep Learning Algorithms
2. An Overview of Convolutional Neural Network Architecture and Its Variants in Medical Diagnostics of Cancer and COVID‑19
3. Technical Assessment of Various Image Stitching Techniques: A Deep Learning Approach
4. CCNN: A Deep Learning Approach for an Acute Neurocutaneous Syndrome via Cloud‑Based MRI Images
5. Critical Investigation and Prototype Study on Deep Brain Stimulations: An Application of Biomedical Engineering in Healthcare
6. Insight into Various Algorithms for Medical Image Analyzes Using Convolutional Neural Networks (Deep Learning)
7. Exploration of Deep RNN Architectures: LSTM and GRU in Medical Diagnostics of Cardiovascular and Neuro Diseases
8. Medical Image Classification and Manifold Disease Identification Through Convolutional Neural Networks: A Research Perspective
9. Melanoma Detection on Skin Lesion Images Using K‑Means Algorithm and SVM Classifier
10. Role of Deep Learning Techniques in Detecting Skin Cancer: A Review
11. Deep Learning and Its Applications in Biomedical Image Processing
Index