Autor Würfl, Tobias
|
|
Documentos disponibles escritos por este autor (2)
Hacer una sugerencia Refinar búsquedaMachine Learning for Medical Image Reconstruction / Haq, Nandinee ; Johnson, Patricia ; Maier, Andreas ; Würfl, Tobias ; Yoo, Jaejun
Título : Machine Learning for Medical Image Reconstruction : 4th International Workshop, MLMIR 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings Tipo de documento: documento electrónico Autores: Haq, Nandinee, ; Johnson, Patricia, ; Maier, Andreas, ; Würfl, Tobias, ; Yoo, Jaejun, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: VIII, 142 p. 53 ilustraciones, 37 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-88552-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del 4.º Taller internacional sobre aprendizaje automático para la reconstrucción médica, MLMIR 2021, celebrado junto con MICCAI 2021, en octubre de 2021. Estaba previsto que el taller se llevara a cabo en Estrasburgo, Francia, pero se llevó a cabo virtualmente debido a la pandemia de COVID-19. Los 13 artículos presentados fueron cuidadosamente revisados y seleccionados entre 20 presentaciones. Los artículos están organizados en las siguientes secciones temáticas: aprendizaje profundo para imágenes por resonancia magnética y aprendizaje profundo para la reconstrucción general de imágenes. Nota de contenido: Deep Learning for Magnetic Resonance Imaging -- HyperRecon: Regularization-Agnostic CS-MRI Reconstruction with Hypernetworks -- Efficient Image Registration Network For Non-Rigid Cardiac Motion Estimation -- Evaluation of the robustness of learned MR image reconstruction to systematic deviations between training and test data for the models from the fastMRI challenge -- Self-Supervised Dynamic MRI Reconstruction -- A Simulation Pipeline to Generate Realistic Breast Images For Learning DCE-MRI Reconstruction -- Deep MRI Reconstruction with Generative Vision Transformers -- Distortion Removal and Deblurring of Single-Shot DWI MRI Scans -- One Network to Solve Them All: A Sequential Multi-Task Joint Learning Network Framework for MR Imaging Pipeline -- Physics-informed self-supervised deep learning reconstruction for accelerated rst-pass perfusion cardiac MRI -- Deep Learning for General Image Reconstruction -- Noise2Stack: Improving Image Restoration by Learning from Volumetric Data -- Real-time Video Denoising in Fluoroscopic Imaging -- A Frequency Domain Constraint for Synthetic and Real X-ray Image Super Resolution -- Semi- and Self-Supervised Multi-View Fusion of 3D Microscopy Images using Generative Adversarial Networks. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Machine Learning for Medical Image Reconstruction : 4th International Workshop, MLMIR 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings [documento electrónico] / Haq, Nandinee, ; Johnson, Patricia, ; Maier, Andreas, ; Würfl, Tobias, ; Yoo, Jaejun, . - 1 ed. . - [s.l.] : Springer, 2021 . - VIII, 142 p. 53 ilustraciones, 37 ilustraciones en color.
ISBN : 978-3-030-88552-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del 4.º Taller internacional sobre aprendizaje automático para la reconstrucción médica, MLMIR 2021, celebrado junto con MICCAI 2021, en octubre de 2021. Estaba previsto que el taller se llevara a cabo en Estrasburgo, Francia, pero se llevó a cabo virtualmente debido a la pandemia de COVID-19. Los 13 artículos presentados fueron cuidadosamente revisados y seleccionados entre 20 presentaciones. Los artículos están organizados en las siguientes secciones temáticas: aprendizaje profundo para imágenes por resonancia magnética y aprendizaje profundo para la reconstrucción general de imágenes. Nota de contenido: Deep Learning for Magnetic Resonance Imaging -- HyperRecon: Regularization-Agnostic CS-MRI Reconstruction with Hypernetworks -- Efficient Image Registration Network For Non-Rigid Cardiac Motion Estimation -- Evaluation of the robustness of learned MR image reconstruction to systematic deviations between training and test data for the models from the fastMRI challenge -- Self-Supervised Dynamic MRI Reconstruction -- A Simulation Pipeline to Generate Realistic Breast Images For Learning DCE-MRI Reconstruction -- Deep MRI Reconstruction with Generative Vision Transformers -- Distortion Removal and Deblurring of Single-Shot DWI MRI Scans -- One Network to Solve Them All: A Sequential Multi-Task Joint Learning Network Framework for MR Imaging Pipeline -- Physics-informed self-supervised deep learning reconstruction for accelerated rst-pass perfusion cardiac MRI -- Deep Learning for General Image Reconstruction -- Noise2Stack: Improving Image Restoration by Learning from Volumetric Data -- Real-time Video Denoising in Fluoroscopic Imaging -- A Frequency Domain Constraint for Synthetic and Real X-ray Image Super Resolution -- Semi- and Self-Supervised Multi-View Fusion of 3D Microscopy Images using Generative Adversarial Networks. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Machine Learning for Medical Image Reconstruction : Third International Workshop, MLMIR 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings Tipo de documento: documento electrónico Autores: Deeba, Farah, ; Johnson, Patricia, ; Würfl, Tobias, ; Ye, Jong Chul, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: VIII, 163 p. 76 ilustraciones, 48 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-61598-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Visión por computador Ciencias sociales Bioinformática Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Biología Computacional y de Sistemas Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Tercer Taller Internacional sobre Aprendizaje Automático para la Reconstrucción Médica, MLMIR 2020, realizado en conjunto con MICCAI 2020, en Lima, Perú, en octubre de 2020. El taller se llevó a cabo de manera virtual. Los 15 artículos presentados fueron cuidadosamente revisados y seleccionados entre 18 presentaciones. Los artículos están organizados en las siguientes secciones temáticas: aprendizaje profundo para imágenes por resonancia magnética y aprendizaje profundo para la reconstrucción general de imágenes. Nota de contenido: Deep Learning for Magnetic Resonance Imaging -- 3D FLAT: Feasible Learned Acquisition Trajectories for Accelerated MRI -- Deep Parallel MRI Reconstruction Network Without Coil Sensitivities -- Neural Network-based Reconstruction in Compressed Sensing MRI Without Fully-sampled Training Data -- Deep Recurrent Partial Fourier Reconstruction in Diffusion MRI -- Model-based Learning for Quantitative Susceptibility Mapping -- Learning Bloch Simulations for MR Fingerprinting by Invertible Neural Networks -- Weakly-supervised Learning for Single-step Quantitative Susceptibility Mapping -- Data-Consistency in Latent Space and Online Update Strategy to Guide GAN for Fast MRI Reconstruction -- Extending LOUPE for K-space Under-sampling Pattern Optimization in Multi-coil MRI -- AutoSyncoder: An Adversarial AutoEncoder Framework for Multimodal MRI Synthesis -- Deep Learning for General Image Reconstruction -- A deep prior approach to magnetic particle imaging -- End-To-End Convolutional NeuralNetwork for 3D Reconstruction of Knee Bones From Bi-Planar X-Ray Images -- Cellular/Vascular Reconstruction using a Deep CNN for Semantic Image Preprocessing and Explicit Segmentation -- Improving PET-CT Image Segmentation via Deep Multi-Modality Data Augmentation -- Stain Style Transfer of Histopathology Images Via Structure-Preserved Generative Learning. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Machine Learning for Medical Image Reconstruction : Third International Workshop, MLMIR 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings [documento electrónico] / Deeba, Farah, ; Johnson, Patricia, ; Würfl, Tobias, ; Ye, Jong Chul, . - 1 ed. . - [s.l.] : Springer, 2020 . - VIII, 163 p. 76 ilustraciones, 48 ilustraciones en color.
ISBN : 978-3-030-61598-7
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Visión por computador Ciencias sociales Bioinformática Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Biología Computacional y de Sistemas Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Tercer Taller Internacional sobre Aprendizaje Automático para la Reconstrucción Médica, MLMIR 2020, realizado en conjunto con MICCAI 2020, en Lima, Perú, en octubre de 2020. El taller se llevó a cabo de manera virtual. Los 15 artículos presentados fueron cuidadosamente revisados y seleccionados entre 18 presentaciones. Los artículos están organizados en las siguientes secciones temáticas: aprendizaje profundo para imágenes por resonancia magnética y aprendizaje profundo para la reconstrucción general de imágenes. Nota de contenido: Deep Learning for Magnetic Resonance Imaging -- 3D FLAT: Feasible Learned Acquisition Trajectories for Accelerated MRI -- Deep Parallel MRI Reconstruction Network Without Coil Sensitivities -- Neural Network-based Reconstruction in Compressed Sensing MRI Without Fully-sampled Training Data -- Deep Recurrent Partial Fourier Reconstruction in Diffusion MRI -- Model-based Learning for Quantitative Susceptibility Mapping -- Learning Bloch Simulations for MR Fingerprinting by Invertible Neural Networks -- Weakly-supervised Learning for Single-step Quantitative Susceptibility Mapping -- Data-Consistency in Latent Space and Online Update Strategy to Guide GAN for Fast MRI Reconstruction -- Extending LOUPE for K-space Under-sampling Pattern Optimization in Multi-coil MRI -- AutoSyncoder: An Adversarial AutoEncoder Framework for Multimodal MRI Synthesis -- Deep Learning for General Image Reconstruction -- A deep prior approach to magnetic particle imaging -- End-To-End Convolutional NeuralNetwork for 3D Reconstruction of Knee Bones From Bi-Planar X-Ray Images -- Cellular/Vascular Reconstruction using a Deep CNN for Semantic Image Preprocessing and Explicit Segmentation -- Improving PET-CT Image Segmentation via Deep Multi-Modality Data Augmentation -- Stain Style Transfer of Histopathology Images Via Structure-Preserved Generative Learning. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
