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. نویسندگان: Carole H. Sudre, Hamid Fehri, Tal Arbel, Christian F. Baumgartner, Adrian Dalca, Ryutaro Tanno, Koen Van Leemput, William M. Wells, Aristeidis Sotiras, Bartlomiej Papiez, Enzo Ferrante, Sarah Parisot سری: Lecture Notes in Computer Science 12443 ISBN (شابک) : 9783030603649, 9783030603656 ناشر: Springer International Publishing;Springer سال نشر: 2020 تعداد صفحات: 232 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 44 مگابایت
کلمات کلیدی مربوط به کتاب عدم اطمینان برای استفاده ایمن از یادگیری ماشینی در تصویربرداری پزشکی و نمودارها در تجزیه و تحلیل تصویر پزشکی: پزشکی دومین کارگاه بین المللی ، UNSURE 2020 و سومین کارگاه بین المللی GRAIL 2020 ، همراه با MICCAI 2020 ، لیما ، پرو ، 8 اکتبر 2020 ، مجموعه مقالات: علوم کامپیوتر، تشخیص الگو، پردازش تصویر و بینایی کامپیوتر، اپلیکیشن کامپیوتر. در علوم اجتماعی و رفتاری
در صورت تبدیل فایل کتاب Uncertainty for Safe Utilization of Machine Learning in Medical Imaging, and Graphs in Biomedical Image Analysis: Second International Workshop, UNSURE 2020, and Third International Workshop, GRAIL 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, 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 عدم اطمینان برای استفاده ایمن از یادگیری ماشینی در تصویربرداری پزشکی و نمودارها در تجزیه و تحلیل تصویر پزشکی: پزشکی دومین کارگاه بین المللی ، UNSURE 2020 و سومین کارگاه بین المللی GRAIL 2020 ، همراه با MICCAI 2020 ، لیما ، پرو ، 8 اکتبر 2020 ، 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 دومین کارگاه بین المللی عدم قطعیت برای استفاده ایمن از یادگیری ماشینی در تصویربرداری پزشکی، UNSURE 2020، و سومین کارگاه بین المللی نمودارها در تجزیه و تحلیل تصویر زیست پزشکی، GRAIL 2020 است که در ارتباط با MICCAI 2020 برگزار شد. ، در لیما، پرو، در اکتبر 2020. کارگاه ها به دلیل همه گیری COVID-19 به صورت مجازی برگزار شد.
برای UNSURE 2020، 10 مقاله از 18 مقاله ارسالی برای انتشار پذیرفته شد. آنها بر توسعه آگاهی و تشویق تحقیقات در زمینه مدلسازی عدم قطعیت تمرکز میکنند تا امکان اجرای ایمن ابزارهای یادگیری ماشین در دنیای بالینی را فراهم کنند.
GRAIL 2020 10 مقاله از 12 مورد ارسالی دریافتشده را پذیرفت. هدف این کارگاه گردآوری دانشمندانی است که از مدلهای مبتنی بر نمودار برای تجزیه و تحلیل تصاویر زیستپزشکی استفاده و توسعه میدهند و کاوش مدلهای مبتنی بر نمودار را برای مشکلات بالینی دشوار در زمینههای مختلف تصویربرداری زیستپزشکی تشویق میکنند.
This book constitutes the refereed proceedings of the Second International Workshop on Uncertainty for Safe Utilization of Machine Learning in Medical Imaging, UNSURE 2020, and the Third International Workshop on Graphs in Biomedical Image Analysis, GRAIL 2020, held in conjunction with MICCAI 2020, in Lima, Peru, in October 2020. The workshops were held virtually due to the COVID-19 pandemic.
For UNSURE 2020, 10 papers from 18 submissions were accepted for publication. They focus on developing awareness and encouraging research in the field of uncertainty modelling to enable safe implementation of machine learning tools in the clinical world.
GRAIL 2020 accepted 10 papers from the 12 submissions received. The workshop aims to bring together scientists that use and develop graph-based models for the analysis of biomedical images and to encourage the exploration of graph-based models for difficult clinical problems within a variety of biomedical imaging contexts.
Front Matter ....Pages i-xvii
Front Matter ....Pages 1-1
Image Registration via Stochastic Gradient Markov Chain Monte Carlo (Daniel Grzech, Bernhard Kainz, Ben Glocker, Loïc le Folgoc)....Pages 3-12
RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty Quantification in Medical Image Segmentation (Marc Gantenbein, Ertunc Erdil, Ender Konukoglu)....Pages 13-22
Hierarchical Brain Parcellation with Uncertainty (Mark S. Graham, Carole H. Sudre, Thomas Varsavsky, Petru-Daniel Tudosiu, Parashkev Nachev, Sebastien Ourselin et al.)....Pages 23-31
Quantitative Comparison of Monte-Carlo Dropout Uncertainty Measures for Multi-class Segmentation (Robin Camarasa, Daniel Bos, Jeroen Hendrikse, Paul Nederkoorn, Eline Kooi, Aad van der Lugt et al.)....Pages 32-41
Uncertainty Estimation in Landmark Localization Based on Gaussian Heatmaps (Christian Payer, Martin Urschler, Horst Bischof, Darko àtern)....Pages 42-51
Weight Averaging Impact on the Uncertainty of Retinal Artery-Venous Segmentation (Markus Lindén, Azat Garifullin, Lasse Lensu)....Pages 52-60
Improving Pathological Distribution Measurements with Bayesian Uncertainty (Ka Ho Tam, Korsuk Sirinukunwattana, Maria F. Soares, Maria Kaisar, Rutger Ploeg, Jens Rittscher)....Pages 61-70
Improving Reliability of Clinical Models Using Prediction Calibration (Jayaraman J. Thiagarajan, Bindya Venkatesh, Deepta Rajan, Prasanna Sattigeri)....Pages 71-80
Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior (Max-Heinrich Laves, Malte Tölle, Tobias Ortmaier)....Pages 81-96
Uncertainty Estimation for Assessment of 3D US Scan Adequacy and DDH Metric Reliability (Arunkumar Kannan, Antony Hodgson, Kishore Mulpuri, Rafeef Garbi)....Pages 97-105
Front Matter ....Pages 107-107
Clustering-Based Deep Brain MultiGraph Integrator Network for Learning Connectional Brain Templates (Uğur Demir, Mohammed Amine Gharsallaoui, Islem Rekik)....Pages 109-120
Detection of Discriminative Neurological Circuits Using Hierarchical Graph Convolutional Networks in fMRI Sequences (Xiaodan Xing, Lili Jin, Qinfeng Li, Lei Chen, Zhong Xue, Ziwen Peng et al.)....Pages 121-130
Graph Matching Based Connectomic Biomarker with Learning for Brain Disorders (Rui Sherry Shen, Jacob A. Alappatt, Drew Parker, Junghoon Kim, Ragini Verma, Yusuf Osmanlıoğlu)....Pages 131-141
Multi-scale Profiling of Brain Multigraphs by Eigen-Based Cross-diffusion and Heat Tracing for Brain State Profiling (Mustafa Sağlam, Islem Rekik)....Pages 142-151
Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation (Karthik Gopinath, Christian Desrosiers, Herve Lombaert)....Pages 152-163
Min-Cut Max-Flow for Network Abnormality Detection: Application to Preterm Birth (Hassna Irzan, Lucas Fidon, Tom Vercauteren, Sebastien Ourselin, Neil Marlow, Andrew Melbourne)....Pages 164-173
Geometric Deep Learning for Post-Menstrual Age Prediction Based on the Neonatal White Matter Cortical Surface (Vitalis Vosylius, Andy Wang, Cemlyn Waters, Alexey Zakharov, Francis Ward, Loic Le Folgoc et al.)....Pages 174-186
The GraphNet Zoo: An All-in-One Graph Based Deep Semi-supervised Framework for Medical Image Classification (Marianne de Vriendt, Philip Sellars, Angelica I. Aviles-Rivero)....Pages 187-197
Intraoperative Liver Surface Completion with Graph Convolutional VAE (Simone Foti, Bongjin Koo, Thomas Dowrick, João Ramalhinho, Moustafa Allam, Brian Davidson et al.)....Pages 198-207
HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for Histopathological Image Classification (Pushpak Pati, Guillaume Jaume, Lauren Alisha Fernandes, Antonio Foncubierta-Rodríguez, Florinda Feroce, Anna Maria Anniciello et al.)....Pages 208-219
Correction to: Graph Matching Based Connectomic Biomarker with Learning for Brain Disorders (Rui Sherry Shen, Jacob A. Alappatt, Drew Parker, Junghoon Kim, Ragini Verma, Yusuf Osmanlıoğlu)....Pages C1-C1
Back Matter ....Pages 221-222