دانلود کتاب یادگیری ماشینی در تصویربرداری پزشکی: دهمین کارگاه بینالمللی، MLMI 2019، برگزار شده در ارتباط با MICCAI 2019، شنژن، چین، 13 اکتبر 2019، مجموعه مقالات بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Machine Learning in Medical Imaging: 10th International Workshop, MLMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings
ویرایش : 1st ed. 2019
عنوان ترجمه شده به فارسی : یادگیری ماشینی در تصویربرداری پزشکی: دهمین کارگاه بینالمللی، MLMI 2019، برگزار شده در ارتباط با MICCAI 2019، شنژن، چین، 13 اکتبر 2019، مجموعه مقالات
سری : Lecture Notes in Computer Science 11861
نویسندگان : Heung-Il Suk, Mingxia Liu, Pingkun Yan, Chunfeng Lian
ناشر : Springer International Publishing
سال نشر : 2019
تعداد صفحات : 711
ISBN (شابک) : 9783030326913 , 9783030326920
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 100 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب مجموعه مقالات دهمین کارگاه بینالمللی یادگیری ماشین در تصویربرداری پزشکی، MLMI 2019 است که در ارتباط با MICCAI 2019، در شنژن، چین، در اکتبر 2019 برگزار شد.
78 مقاله ارائه شده در این جلد به دقت بررسی و از بین 158 مورد ارسالی انتخاب شد. آنها بر روی روندها و چالشهای اصلی در این منطقه تمرکز میکنند و هدفشان شناسایی تکنیکهای جدید و کاربرد آنها در تصویربرداری پزشکی است. موضوعات مورد بحث عبارتند از: یادگیری عمیق، یادگیری خصمانه مولد، یادگیری گروهی، یادگیری پراکنده، یادگیری چندکاره، یادگیری چند وجهی، یادگیری چندگانه، و یادگیری تقویتی، با کاربردهای آنها در تجزیه و تحلیل تصویر پزشکی، تشخیص و تشخیص به کمک رایانه، همجوشی چند وجهی، بازسازی تصویر، بازیابی تصویر، تجزیه و تحلیل تصویر سلولی، تصویربرداری مولکولی، آسیب شناسی دیجیتال و غیره
This book constitutes the proceedings of the 10th International Workshop on Machine Learning in Medical Imaging, MLMI 2019, held in conjunction with MICCAI 2019, in Shenzhen, China, in October 2019.
The 78 papers presented in this volume were carefully reviewed and selected from 158 submissions. They focus on major trends and challenges in the area, aiming to identify new-cutting-edge techniques and their uses in medical imaging. Topics dealt with are: deep learning, generative adversarial learning, ensemble learning, sparse learning, multi-task learning, multi-view learning, manifold learning, and reinforcement learning, with their applications to medical image analysis, computer-aided detection and diagnosis, multi-modality fusion, image reconstruction, image retrieval, cellular image analysis, molecular imaging, digital pathology, etc.