Machine Learning for Medical Image Reconstruction / Knoll, Florian ; Maier, Andreas ; Rueckert, Daniel ; Ye, Jong Chul  

Público ISBD Ningún comentario para este registro. Título : Machine Learning for Medical Image Reconstruction : Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings Tipo de documento: documento electrónico Autores: Knoll, Florian, ; Maier, Andreas, ; Rueckert, Daniel, ; Ye, Jong Chul, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: IX, 266 p. 128 ilustraciones, 94 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-33843-5 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  Ciencias sociales  Bioinformática  Visión por computador  Informática Médica  Computadoras y Educación  Aplicación informática en ciencias sociales y del comportamiento  Biología Computacional y de Sistemas  Informática de la Salud Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Segundo Taller Internacional sobre Aprendizaje Automático para la Reconstrucción Médica, MLMIR 2019, celebrado junto con MICCAI 2019, en Shenzhen, China, en octubre de 2019. Los 24 artículos completos presentados fueron cuidadosamente revisados ​​y seleccionados entre 32 presentaciones. . Los artículos están organizados en las siguientes secciones temáticas: aprendizaje profundo para imágenes por resonancia magnética; aprendizaje profundo para tomografía computarizada; y aprendizaje profundo para la reconstrucción general de imágenes. Nota de contenido: Deep Learning for Magnetic Resonance Imaging -- Recon-GLGAN: A Global-Local context based Generative Adversarial Network for MRI Reconstruction- Self-supervised Recurrent Neural Network for 4D Abdominal and In-utero MR Imaging -- Fast Dynamic Perfusion and Angiography Reconstruction using an end-to-end 3D Convolutional Neural Network -- APIR-Net: Autocalibrated Parallel Imaging Reconstruction using a Neural Network -- Accelerated MRI Reconstruction with Dual-domain Generative Adversarial Network -- Deep Learning for Low-Field to High-Field MR: Image Quality Transfer with Probabilistic Decimation Simulator -- Joint Multi-Anatomy Training of a Variational Network for Reconstruction of Accelerated Magnetic Resonance Image Acquisitions -- Modeling and Analysis Brain Development via Discriminative Dictionary Learning -- Deep Learning for Computed Tomography -- Virtual Thin Slice: 3D Conditional GAN-based Super-resolution for CT Slice Interval -- Data Consistent Artifact Reduction for Limited Angle Tomography with Deep Learning Prior -- Measuring CT Reconstruction Quality with Deep Convolutional Neural Networks -- Deep Learning based Metal Inpainting in the Projection Domain: Initial Results -- Deep Learning for General Image Reconstruction -- Flexible Conditional Image Generation of Missing Data with Learned Mental Maps -- Spatiotemporal PET reconstruction using ML-EM with learned diffeomorphic deformation -- Stain Style Transfer using Transitive Adversarial Networks -- Blind Deconvolution Microscopy Using Cycle Consistent CNN with Explicit PSF Layer -- Deep Learning based approach to quantification of PET tracer uptake in small tumors -- Task-GAN: Improving Generative Adversarial Network for Image Reconstruction -- Gamma Source Location Learning from Synthetic Multi-Pinhole Collimator Data -- Neural Denoising of Ultra-Low Dose Mammography -- Image Reconstruction in a Manifold of Image Patches: Application to Whole-fetus Ultrasound Imaging -- Image Super Resolution via Bilinear Pooling: Application to Confocal Endomicroscopy -- TPSDicyc: Improved Deformation Invariant Cross-domain Medical Image Synthesis -- PredictUS: A Method to Extend the Resolution-Precision Trade-off in Quantitative Ultrasound Image Reconstruction. 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 : Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings [documento electrónico] / Knoll, Florian, ; Maier, Andreas, ; Rueckert, Daniel, ; Ye, Jong Chul,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - IX, 266 p. 128 ilustraciones, 94 ilustraciones en color. ISBN : 978-3-030-33843-5 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Ciencias sociales  Bioinformática  Visión por computador  Informática Médica  Computadoras y Educación  Aplicación informática en ciencias sociales y del comportamiento  Biología Computacional y de Sistemas  Informática de la Salud Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Segundo Taller Internacional sobre Aprendizaje Automático para la Reconstrucción Médica, MLMIR 2019, celebrado junto con MICCAI 2019, en Shenzhen, China, en octubre de 2019. Los 24 artículos completos presentados fueron cuidadosamente revisados ​​y seleccionados entre 32 presentaciones. . Los artículos están organizados en las siguientes secciones temáticas: aprendizaje profundo para imágenes por resonancia magnética; aprendizaje profundo para tomografía computarizada; y aprendizaje profundo para la reconstrucción general de imágenes. Nota de contenido: Deep Learning for Magnetic Resonance Imaging -- Recon-GLGAN: A Global-Local context based Generative Adversarial Network for MRI Reconstruction- Self-supervised Recurrent Neural Network for 4D Abdominal and In-utero MR Imaging -- Fast Dynamic Perfusion and Angiography Reconstruction using an end-to-end 3D Convolutional Neural Network -- APIR-Net: Autocalibrated Parallel Imaging Reconstruction using a Neural Network -- Accelerated MRI Reconstruction with Dual-domain Generative Adversarial Network -- Deep Learning for Low-Field to High-Field MR: Image Quality Transfer with Probabilistic Decimation Simulator -- Joint Multi-Anatomy Training of a Variational Network for Reconstruction of Accelerated Magnetic Resonance Image Acquisitions -- Modeling and Analysis Brain Development via Discriminative Dictionary Learning -- Deep Learning for Computed Tomography -- Virtual Thin Slice: 3D Conditional GAN-based Super-resolution for CT Slice Interval -- Data Consistent Artifact Reduction for Limited Angle Tomography with Deep Learning Prior -- Measuring CT Reconstruction Quality with Deep Convolutional Neural Networks -- Deep Learning based Metal Inpainting in the Projection Domain: Initial Results -- Deep Learning for General Image Reconstruction -- Flexible Conditional Image Generation of Missing Data with Learned Mental Maps -- Spatiotemporal PET reconstruction using ML-EM with learned diffeomorphic deformation -- Stain Style Transfer using Transitive Adversarial Networks -- Blind Deconvolution Microscopy Using Cycle Consistent CNN with Explicit PSF Layer -- Deep Learning based approach to quantification of PET tracer uptake in small tumors -- Task-GAN: Improving Generative Adversarial Network for Image Reconstruction -- Gamma Source Location Learning from Synthetic Multi-Pinhole Collimator Data -- Neural Denoising of Ultra-Low Dose Mammography -- Image Reconstruction in a Manifold of Image Patches: Application to Whole-fetus Ultrasound Imaging -- Image Super Resolution via Bilinear Pooling: Application to Confocal Endomicroscopy -- TPSDicyc: Improved Deformation Invariant Cross-domain Medical Image Synthesis -- PredictUS: A Method to Extend the Resolution-Precision Trade-off in Quantitative Ultrasound Image Reconstruction. 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 / Deeba, Farah ; Johnson, Patricia ; Würfl, Tobias ; Ye, Jong Chul  

Público ISBD Ningún comentario para este registro. 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

---

1 (1 - 2 / 2) Par page : 25 50 100 200