دانلود کتاب Machine Learning in Medical Imaging: First International Workshop, MLMI 2010, Held in Conjunction with MICCAI 2010, Beijing, China, September 20, 2010. Proceedings
کتاب یادگیری ماشینی در تصویربرداری پزشکی: اولین کارگاه بین المللی، MLMI 2010، برگزار شده در ارتباط با MICCAI 2010، پکن، چین، 20 سپتامبر 2010. مجموعه مقالات نسخه زبان اصلی
دانلود کتاب یادگیری ماشینی در تصویربرداری پزشکی: اولین کارگاه بین المللی، MLMI 2010، برگزار شده در ارتباط با MICCAI 2010، پکن، چین، 20 سپتامبر 2010. مجموعه مقالات بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Machine Learning in Medical Imaging: First International Workshop, MLMI 2010, Held in Conjunction with MICCAI 2010, Beijing, China, September 20, 2010. Proceedings
نام کتاب : Machine Learning in Medical Imaging: First International Workshop, MLMI 2010, Held in Conjunction with MICCAI 2010, Beijing, China, September 20, 2010. Proceedings
ویرایش : 1
عنوان ترجمه شده به فارسی : یادگیری ماشینی در تصویربرداری پزشکی: اولین کارگاه بین المللی، MLMI 2010، برگزار شده در ارتباط با MICCAI 2010، پکن، چین، 20 سپتامبر 2010. مجموعه مقالات
سری : Lecture Notes in Computer Science 6357 : Image Processing, Computer Vision, Pattern Recognition, and Graphics
نویسندگان : Sushil Mittal, Yefeng Zheng, Bogdan Georgescu (auth.), Fei Wang, Pingkun Yan, Kenji Suzuki, Dinggang Shen (eds.)
ناشر : Springer-Verlag Berlin Heidelberg
سال نشر : 2010
تعداد صفحات : 200
ISBN (شابک) : 9783642159473 , 3642159478
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 5 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.
توضیحاتی در مورد کتاب :
اولین کارگاه بین المللی یادگیری ماشین در تصویربرداری پزشکی، MLMI 2010، در مرکز همایش ملی چین، پکن، چین در 20 سپتامبر 2010 همراه با کنفرانس بین المللی محاسبات تصویر پزشکی و مداخله به کمک رایانه برگزار شد. (MICCAI) 2010. یادگیری ماشینی نقش اساسی در زمینه تصویربرداری پزشکی ایفا می کند، از جمله تقسیم بندی تصویر، ثبت تصویر، تشخیص به کمک رایانه، ادغام تصویر، درمان با هدایت تصویری، حاشیه نویسی تصویر، و بازیابی پایگاه داده تصویر. با پیشرفت در تصویربرداری فلزی، روش‌های جدید تصویربرداری، و روش‌هایی مانند CT پرتو مخروطی/چند برش، اولتراسوند سه بعدی، توموسنتز، MRI با وزن انتشار، توموگرافی امپدانس الکتریکی، و توموگرافی نوری منتشر، یادگیری ماشینی جدید الگوریتم ها / برنامه های کاربردی در زمینه تصویربرداری پزشکی مورد نیاز است. شواهد تک نمونه ای ارائه شده توسط داده های تصویربرداری بیمار اغلب برای ارائه عملکرد رضایت بخش کافی نیست. بنابراین، وظایف در تصویربرداری پزشکی نیازمند یادگیری از مثال‌هایی برای شبیه‌سازی دانش قبلی پزشک از داده‌ها است. MLMI 2010 اولین کارگاه آموزشی در این زمینه است. این کارگاه بر روی روندها و چالش های اصلی در این زمینه تمرکز دارد و برای شناسایی تکنیک های جدید و استفاده از آنها در تصویربرداری پزشکی کار می کند. هدف ما کمک به پیشرفت تحقیقات علمی در زمینه گسترده تصویربرداری پزشکی و یادگیری ماشینی است. دامنه و سطح ارسال برای جلسه امسال از کیفیت بسیار بالایی برخوردار بود. از نویسندگان خواسته شد که مقالات کامل را برای بررسی ارسال کنند. در پاسخ به فراخوان مقاله، در مجموع 38 مقاله به کارگاه ارسال شد.
فهرست مطالب :
Front Matter....Pages -
Fast Automatic Detection of Calcified Coronary Lesions in 3D Cardiac CT Images....Pages 1-9
Automated Intervertebral Disc Detection from Low Resolution, Sparse MRI Images for the Planning of Scan Geometries....Pages 10-17
Content-Based Medical Image Retrieval with Metric Learning via Rank Correlation....Pages 18-25
A Hyper-parameter Inference for Radon Transformed Image Reconstruction Using Bayesian Inference....Pages 26-33
Patch-Based Generative Shape Model and MDL Model Selection for Statistical Analysis of Archipelagos....Pages 34-41
Prediction of Dementia by Hippocampal Shape Analysis....Pages 42-49
Multi-Class Sparse Bayesian Regression for Neuroimaging Data Analysis....Pages 50-57
Appearance Normalization of Histology Slides....Pages 58-66
Parallel Mean Shift for Interactive Volume Segmentation....Pages 67-75
Soft Tissue Discrimination Using Magnetic Resonance Elastography with a New Elastic Level Set Model....Pages 76-83
Fast and Automatic Heart Isolation in 3D CT Volumes: Optimal Shape Initialization....Pages 84-91
Relation-Aware Spreadsheets for Multimodal Volume Segmentation and Visualization....Pages 92-99
A Bayesian Learning Application to Automated Tumour Segmentation for Tissue Microarray Analysis....Pages 100-107
Generalized Sparse Classifiers for Decoding Cognitive States in fMRI....Pages 108-115
Manifold Learning for Biomarker Discovery in MR Imaging....Pages 116-123
Optimal Live Cell Tracking for Cell Cycle Study Using Time-Lapse Fluorescent Microscopy Images....Pages 124-131
Fully Automatic Joint Segmentation for Computer-Aided Diagnosis and Planning....Pages 132-139
Accurate Identification of MCI Patients via Enriched White-Matter Connectivity Network....Pages 140-147
Feature Extraction for fMRI-Based Human Brain Activity Recognition....Pages 148-156
Sparse Spatio-temporal Inference of Electromagnetic Brain Sources....Pages 157-164
Optimal Gaussian Mixture Models of Tissue Intensities in Brain MRI of Patients with Multiple-Sclerosis....Pages 165-173
Preliminary Study on Appearance-Based Detection of Anatomical Point Landmarks in Body Trunk CT Images....Pages 174-181
Principal-Component Massive-Training Machine-Learning Regression for False-Positive Reduction in Computer-Aided Detection of Polyps in CT Colonography....Pages 182-189
Back Matter....Pages -
توضیحاتی در مورد کتاب به زبان اصلی :
The first International Workshop on Machine Learning in Medical Imaging, MLMI 2010, was held at the China National Convention Center, Beijing, China on Sept- ber 20, 2010 in conjunction with the International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2010. Machine learning plays an essential role in the medical imaging field, including image segmentation, image registration, computer-aided diagnosis, image fusion, ima- guided therapy, image annotation, and image database retrieval. With advances in me- cal imaging, new imaging modalities, and methodologies such as cone-beam/multi-slice CT, 3D Ultrasound, tomosynthesis, diffusion-weighted MRI, electrical impedance to- graphy, and diffuse optical tomography, new machine-learning algorithms/applications are demanded in the medical imaging field. Single-sample evidence provided by the patient’s imaging data is often not sufficient to provide satisfactory performance; the- fore tasks in medical imaging require learning from examples to simulate a physician’s prior knowledge of the data. The MLMI 2010 is the first workshop on this topic. The workshop focuses on major trends and challenges in this area, and works to identify new techniques and their use in medical imaging. Our goal is to help advance the scientific research within the broad field of medical imaging and machine learning. The range and level of submission for this year's meeting was of very high quality. Authors were asked to submit full-length papers for review. A total of 38 papers were submitted to the workshop in response to the call for papers.