Autor Abdulkadir, Ahmed
|
|
Documentos disponibles escritos por este autor (2)
Hacer una sugerencia Refinar búsquedaMachine Learning in Clinical Neuroimaging / Abdulkadir, Ahmed ; Kia, Seyed Mostafa ; Habes, Mohamad ; Kumar, Vinod ; Rondina, Jane Maryam ; Tax, Chantal ; Wolfers, Thomas
Título : Machine Learning in Clinical Neuroimaging : 4th International Workshop, MLCN 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings Tipo de documento: documento electrónico Autores: Abdulkadir, Ahmed, ; Kia, Seyed Mostafa, ; Habes, Mohamad, ; Kumar, Vinod, ; Rondina, Jane Maryam, ; Tax, Chantal, ; Wolfers, Thomas, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XI, 176 p. 65 ilustraciones, 53 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-87586-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de imágenes Visión por computador Inteligencia artificial Bioinformática Imágenes por computadora visión reconocimiento de patrones y gráficos Biología Computacional y de Sistemas Índice Dewey: 6 Resumen: Este libro constituye las actas arbitradas del 4to Taller Internacional sobre Aprendizaje Automático en Neuroimagen Clínica, MLCN 2021, celebrado el 27 de septiembre de 2021, junto con MICCAI 2021. El taller se llevó a cabo virtualmente debido a la pandemia de COVID-19. Los 17 artículos presentados en este libro fueron cuidadosamente revisados y seleccionados entre 27 presentaciones. Se organizaron en secciones temáticas denominadas: anatomía computacional y redes cerebrales y series temporales. Nota de contenido: Computational Anatomy -- Unfolding the medial temporal lobe cortex to characterize neurodegeneration due to Alzheimer's disease pathology using ex vivo imaging -- Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation of Brain Atrophy using Deep Networks -- Towards Self-Explainable Classifiers and Regressors in Neuroimaging with Normalizing Flows -- Patch vs. global image-based unsupervised anomaly detection in MR brain scans of early Parkinsonian patients -- MRI image registration considerably improves CNN-based disease classification -- Dynamic Sub-graph Learning for Patch-based Cortical Folding Classification -- Detection of abnormal folding patterns with unsupervised deep generative models -- PialNN: A Fast Deep Learning Framework for Cortical Pial Surface Reconstruction -- Multi-Modal Brain Segmentation Using Hyper-Fused Convolutional Neural Network -- Robust Hydrocephalus Brain Segmentation via Globally and Locally Spatial Guidance -- Brain Networks and Time Series -- Geometric Deep Learning of the Human Connectome Project Multimodal Cortical Parcellation -- Deep Stacking Networks for Conditional Nonlinear Granger Causal Modeling of fMRI Data -- Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling -- Structure-Function Mapping via Graph Neural Networks -- Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics of Functional Connectivity -- H3K27M Mutations Prediction for Brainstem Gliomas Based on Diffusion Radiomics Learning -- Constrained Learning of Task-related and Spatially-Coherent Dictionaries from Task fMRI Data. 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 in Clinical Neuroimaging : 4th International Workshop, MLCN 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings [documento electrónico] / Abdulkadir, Ahmed, ; Kia, Seyed Mostafa, ; Habes, Mohamad, ; Kumar, Vinod, ; Rondina, Jane Maryam, ; Tax, Chantal, ; Wolfers, Thomas, . - 1 ed. . - [s.l.] : Springer, 2021 . - XI, 176 p. 65 ilustraciones, 53 ilustraciones en color.
ISBN : 978-3-030-87586-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Procesamiento de imágenes Visión por computador Inteligencia artificial Bioinformática Imágenes por computadora visión reconocimiento de patrones y gráficos Biología Computacional y de Sistemas Índice Dewey: 6 Resumen: Este libro constituye las actas arbitradas del 4to Taller Internacional sobre Aprendizaje Automático en Neuroimagen Clínica, MLCN 2021, celebrado el 27 de septiembre de 2021, junto con MICCAI 2021. El taller se llevó a cabo virtualmente debido a la pandemia de COVID-19. Los 17 artículos presentados en este libro fueron cuidadosamente revisados y seleccionados entre 27 presentaciones. Se organizaron en secciones temáticas denominadas: anatomía computacional y redes cerebrales y series temporales. Nota de contenido: Computational Anatomy -- Unfolding the medial temporal lobe cortex to characterize neurodegeneration due to Alzheimer's disease pathology using ex vivo imaging -- Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation of Brain Atrophy using Deep Networks -- Towards Self-Explainable Classifiers and Regressors in Neuroimaging with Normalizing Flows -- Patch vs. global image-based unsupervised anomaly detection in MR brain scans of early Parkinsonian patients -- MRI image registration considerably improves CNN-based disease classification -- Dynamic Sub-graph Learning for Patch-based Cortical Folding Classification -- Detection of abnormal folding patterns with unsupervised deep generative models -- PialNN: A Fast Deep Learning Framework for Cortical Pial Surface Reconstruction -- Multi-Modal Brain Segmentation Using Hyper-Fused Convolutional Neural Network -- Robust Hydrocephalus Brain Segmentation via Globally and Locally Spatial Guidance -- Brain Networks and Time Series -- Geometric Deep Learning of the Human Connectome Project Multimodal Cortical Parcellation -- Deep Stacking Networks for Conditional Nonlinear Granger Causal Modeling of fMRI Data -- Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling -- Structure-Function Mapping via Graph Neural Networks -- Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics of Functional Connectivity -- H3K27M Mutations Prediction for Brainstem Gliomas Based on Diffusion Radiomics Learning -- Constrained Learning of Task-related and Spatially-Coherent Dictionaries from Task fMRI Data. 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 : Third International Workshop, MLCN 2020, and Second International Workshop, RNO-AI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings Tipo de documento: documento electrónico Autores: Kia, Seyed Mostafa, ; Mohy-ud-Din, Hassan, ; Abdulkadir, Ahmed, ; Bass, Cher, ; Habes, Mohamad, ; Rondina, Jane Maryam, ; Tax, Chantal, ; Wang, Hongzhi, ; Wolfers, Thomas, ; Rathore, Saima, ; Ingalhalikar, Madhura, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XVIII, 305 p. 8 ilustraciones ISBN/ISSN/DL: 978-3-030-66843-3 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Visión por computador Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas arbitradas del Tercer Taller Internacional sobre Aprendizaje Automático en Neuroimagen Clínica, MLCN 2020, y el Segundo Taller Internacional sobre Radiogenómica en Neurooncología, RNO-AI 2020, celebrado en conjunto con MICCAI 2020, en Lima, Perú. en octubre de 2020.* Para MLCN 2020, se aceptaron para publicación 18 artículos de 28 presentados. Los artículos aceptados presentan contribuciones novedosas tanto en el desarrollo de nuevos métodos de aprendizaje automático como en aplicaciones de métodos existentes para resolver problemas desafiantes en neuroimagen clínica. Para RNO-AI 2020, se aceptaron las 8 presentaciones para su publicación. Se centran en abordar los problemas de aplicar el aprendizaje automático a conjuntos de datos de neuroimagen clínica grandes y multisitio. El taller tenía como objetivo reunir a expertos tanto en aprendizaje automático como en neuroimagen clínica para discutir y, con suerte, superar los desafíos existentes del aprendizaje automático aplicado en la neurociencia clínica. *Los talleres se realizaron de manera virtual debido a la pandemia de COVID-19. 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 Third International Workshop, MLCN 2020, and Second International Workshop, RNO-AI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings [documento electrónico] / Kia, Seyed Mostafa, ; Mohy-ud-Din, Hassan, ; Abdulkadir, Ahmed, ; Bass, Cher, ; Habes, Mohamad, ; Rondina, Jane Maryam, ; Tax, Chantal, ; Wang, Hongzhi, ; Wolfers, Thomas, ; Rathore, Saima, ; Ingalhalikar, Madhura, . - 1 ed. . - [s.l.] : Springer, 2020 . - XVIII, 305 p. 8 ilustraciones.
ISBN : 978-3-030-66843-3
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Visión por computador Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas arbitradas del Tercer Taller Internacional sobre Aprendizaje Automático en Neuroimagen Clínica, MLCN 2020, y el Segundo Taller Internacional sobre Radiogenómica en Neurooncología, RNO-AI 2020, celebrado en conjunto con MICCAI 2020, en Lima, Perú. en octubre de 2020.* Para MLCN 2020, se aceptaron para publicación 18 artículos de 28 presentados. Los artículos aceptados presentan contribuciones novedosas tanto en el desarrollo de nuevos métodos de aprendizaje automático como en aplicaciones de métodos existentes para resolver problemas desafiantes en neuroimagen clínica. Para RNO-AI 2020, se aceptaron las 8 presentaciones para su publicación. Se centran en abordar los problemas de aplicar el aprendizaje automático a conjuntos de datos de neuroimagen clínica grandes y multisitio. El taller tenía como objetivo reunir a expertos tanto en aprendizaje automático como en neuroimagen clínica para discutir y, con suerte, superar los desafíos existentes del aprendizaje automático aplicado en la neurociencia clínica. *Los talleres se realizaron de manera virtual debido a la pandemia de COVID-19. 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
