Información del autor
Autor Dong, Bin |
Documentos disponibles escritos por este autor (3)
Crear una solicitud de compra Refinar búsquedaMultimodal Learning for Clinical Decision Support / Syeda-Mahmood, Tanveer ; Li, Xiang ; Madabhushi, Anant ; Greenspan, Hayit ; Li, Quanzheng ; Leahy, Richard ; Dong, Bin ; Wang, Hongzhi
TÃtulo : Multimodal Learning for Clinical Decision Support : 11th International Workshop, ML-CDS 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings Tipo de documento: documento electrónico Autores: Syeda-Mahmood, Tanveer, ; Li, Xiang, ; Madabhushi, Anant, ; Greenspan, Hayit, ; Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Wang, Hongzhi, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: VIII, 117 p. 47 ilustraciones, 43 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-89847-2 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 Aprendizaje automático Gestión de base de datos Ciencias sociales Imágenes por computadora visión reconocimiento de patrones y gráficos Aplicación informática en ciencias sociales y del comportamiento Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del 11.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clÃnicas, ML-CDS 2021, celebrado junto con la 24.ª Conferencia internacional sobre imágenes médicas e intervención asistida por computadora, MICCAI 2021, en Estrasburgo, Francia. en octubre de 2021. El taller se realizó de manera virtual debido a la pandemia de COVID-19. Los 10 artÃculos completos presentados en ML-CDS 2021 fueron cuidadosamente revisados ​​y seleccionados entre numerosas presentaciones. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. Nota de contenido: From Picoscale Pathology to Decascale Disease: Image Registration with a Scattering Transform and Varifolds for Manipulating Multiscale Data -- Multi-Scale Hybrid Transformer Networks: Application to Prostate Disease Classification -- Predicting Treatment Response in Prostate Cancer Patients Based on Multimodal PET/CT for Clinical Decision Support -- A Federated Multigraph Integration Approach for Connectional Brain Template Learning -- SAMA: Spatially-Aware Multimodal Network with Attention for Early Lung Cancer Diagnosis -- Fully Automatic Head and Neck Cancer Prognosis Prediction in PET/CT -- Feature Selection for Privileged Modalities in Disease Classification -- Merging and Annotating Teeth and Roots from Automated Segmentation of Multimodal Images -- Structure and Feature based Graph U-Net for Early Alzheimer's Disease Prediction -- A Method for Predicting Alzheimer's Disease based on the Fusion of Single Nucleotide Polymorphisms and Magnetic Resonance Feature Extraction. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Multimodal Learning for Clinical Decision Support : 11th International Workshop, ML-CDS 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings [documento electrónico] / Syeda-Mahmood, Tanveer, ; Li, Xiang, ; Madabhushi, Anant, ; Greenspan, Hayit, ; Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Wang, Hongzhi, . - 1 ed. . - [s.l.] : Springer, 2021 . - VIII, 117 p. 47 ilustraciones, 43 ilustraciones en color.
ISBN : 978-3-030-89847-2
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 Aprendizaje automático Gestión de base de datos Ciencias sociales Imágenes por computadora visión reconocimiento de patrones y gráficos Aplicación informática en ciencias sociales y del comportamiento Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del 11.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clÃnicas, ML-CDS 2021, celebrado junto con la 24.ª Conferencia internacional sobre imágenes médicas e intervención asistida por computadora, MICCAI 2021, en Estrasburgo, Francia. en octubre de 2021. El taller se realizó de manera virtual debido a la pandemia de COVID-19. Los 10 artÃculos completos presentados en ML-CDS 2021 fueron cuidadosamente revisados ​​y seleccionados entre numerosas presentaciones. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. Nota de contenido: From Picoscale Pathology to Decascale Disease: Image Registration with a Scattering Transform and Varifolds for Manipulating Multiscale Data -- Multi-Scale Hybrid Transformer Networks: Application to Prostate Disease Classification -- Predicting Treatment Response in Prostate Cancer Patients Based on Multimodal PET/CT for Clinical Decision Support -- A Federated Multigraph Integration Approach for Connectional Brain Template Learning -- SAMA: Spatially-Aware Multimodal Network with Attention for Early Lung Cancer Diagnosis -- Fully Automatic Head and Neck Cancer Prognosis Prediction in PET/CT -- Feature Selection for Privileged Modalities in Disease Classification -- Merging and Annotating Teeth and Roots from Automated Segmentation of Multimodal Images -- Structure and Feature based Graph U-Net for Early Alzheimer's Disease Prediction -- A Method for Predicting Alzheimer's Disease based on the Fusion of Single Nucleotide Polymorphisms and Magnetic Resonance Feature Extraction. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Multiscale Multimodal Medical Imaging : First International Workshop, MMMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings Tipo de documento: documento electrónico Autores: Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Li, Xiang, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: X, 109 p. 55 ilustraciones, 46 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-37969-8 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 Aprendizaje automático Sistemas de reconocimiento de patrones Reconocimiento de patrones automatizado Clasificación: Resumen: Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Imágenes Médicas Multimodales Multiescala, MMMI 2019, celebrado junto con MICCAI 2019 en Shenzhen, China, en octubre de 2019. Los 13 artÃculos presentados fueron cuidadosamente revisados ​​y seleccionados entre 18 presentaciones. El taller MMMI tiene como objetivo avanzar en los últimos avances en imágenes médicas multimodales y a múltiples escalas, incluido el desarrollo de algoritmos, la implementación de metodologÃas y estudios experimentales. Los artÃculos se centran en el análisis de imágenes médicas y el aprendizaje automático, especialmente en métodos de aprendizaje automático para la fusión de datos y el aprendizaje de múltiples puntuaciones. Nota de contenido: Multi-Modal Image Prediction via Spatial Hybrid U-Net -- Automatic Segmentation of Liver CT Image Based on Dense Pyramid Network -- OctopusNet: A Deep Learning Segmentation Network for Multi-modal Medical Images -- Neural Architecture Search for Optimizing Deep Belief Network Models of fMRI Data -- Feature Pyramid based Attention for Cervical Image Classification -- Single-scan Dual-tracer Separation Network Based on Pre-trained GRU -- PGU-net+: Progressive Growing of U-net+ for Automated Cervical Nuclei Segmentation -- Automated Classification of Arterioles and Venules for Retina Fundus Images using Dual Deeply-Supervised Network -- Liver Segmentation from Multimodal Images using HED-Mask R-CNN -- aEEG Signal Analysis with Ensemble Learning for Newborn Seizure Detection -- Speckle Noise Removal in Ultrasound Images Using A Deep Convolutional Neural Network and A Specially Designed Loss Function -- Automatic Sinus Surgery Skill Assessment Based on Instrument Segmentation and Tracking in Endoscopic Video -- U-Net Training with Instance-Layer Normalization. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Multiscale Multimodal Medical Imaging : First International Workshop, MMMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings [documento electrónico] / Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Li, Xiang, . - 1 ed. . - [s.l.] : Springer, 2020 . - X, 109 p. 55 ilustraciones, 46 ilustraciones en color.
ISBN : 978-3-030-37969-8
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 Aprendizaje automático Sistemas de reconocimiento de patrones Reconocimiento de patrones automatizado Clasificación: Resumen: Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Imágenes Médicas Multimodales Multiescala, MMMI 2019, celebrado junto con MICCAI 2019 en Shenzhen, China, en octubre de 2019. Los 13 artÃculos presentados fueron cuidadosamente revisados ​​y seleccionados entre 18 presentaciones. El taller MMMI tiene como objetivo avanzar en los últimos avances en imágenes médicas multimodales y a múltiples escalas, incluido el desarrollo de algoritmos, la implementación de metodologÃas y estudios experimentales. Los artÃculos se centran en el análisis de imágenes médicas y el aprendizaje automático, especialmente en métodos de aprendizaje automático para la fusión de datos y el aprendizaje de múltiples puntuaciones. Nota de contenido: Multi-Modal Image Prediction via Spatial Hybrid U-Net -- Automatic Segmentation of Liver CT Image Based on Dense Pyramid Network -- OctopusNet: A Deep Learning Segmentation Network for Multi-modal Medical Images -- Neural Architecture Search for Optimizing Deep Belief Network Models of fMRI Data -- Feature Pyramid based Attention for Cervical Image Classification -- Single-scan Dual-tracer Separation Network Based on Pre-trained GRU -- PGU-net+: Progressive Growing of U-net+ for Automated Cervical Nuclei Segmentation -- Automated Classification of Arterioles and Venules for Retina Fundus Images using Dual Deeply-Supervised Network -- Liver Segmentation from Multimodal Images using HED-Mask R-CNN -- aEEG Signal Analysis with Ensemble Learning for Newborn Seizure Detection -- Speckle Noise Removal in Ultrasound Images Using A Deep Convolutional Neural Network and A Specially Designed Loss Function -- Automatic Sinus Surgery Skill Assessment Based on Instrument Segmentation and Tracking in Endoscopic Video -- U-Net Training with Instance-Layer Normalization. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : User-Defined Tensor Data Analysis Tipo de documento: documento electrónico Autores: Dong, Bin, ; Wu, Kesheng, ; Byna, Suren, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XII, 101 p. 23 ilustraciones ISBN/ISSN/DL: 978-3-030-70750-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Gestión de base de datos Grandes datos IngenierÃa Aprendizaje automático IngenierÃa de datos Clasificación: 005.74 Ciencia de los computadores (Archivos de datos y bases de datos) Resumen: Este SpringerBrief presenta FasTensor, un potente modelo de programación de datos paralelos desarrollado para aplicaciones de big data. Este libro también proporciona una guÃa del usuario para instalar y usar FasTensor. FasTensor permite a los usuarios expresar fácilmente muchas operaciones de análisis de datos, que pueden provenir de redes neuronales, informática cientÃfica o consultas de sistemas de gestión de bases de datos tradicionales (DBMS). FasTensor libera a los usuarios de todas las tareas de gestión de datos tediosas y subyacentes, como la partición de datos, la comunicación y la ejecución paralela. Este SpringerBrief ofrece una descripción general de alto nivel del modelo de programación de datos en paralelo de última generación y una motivación para el diseño de FasTensor. Ilustra la interfaz de programación de aplicaciones (API) de FasTensor con una gran cantidad de ejemplos y dos casos de uso reales de aplicaciones cientÃficas de vanguardia. FasTensor puede lograr una aceleración de múltiples órdenes de magnitud sobre Spark y otros sistemas pares en la ejecución de operaciones de análisis de big data. FasTensor hace que la programación para operaciones de análisis de datos a gran escala en supercomputadoras sea lo más productiva y eficiente posible. Una referencia completa de FasTensor incluye sus fundamentos teóricos, implementación de C++ y uso en aplicaciones. Los cientÃficos en dominios como la fÃsica y las geociencias, que analizan grandes cantidades de datos, querrán comprar este SpringerBrief. Los ingenieros de datos que diseñan y desarrollan software de análisis de datos y cientÃficos de datos, y que utilizan Spark o TensorFlow para realizar análisis de datos, como entrenar una red neuronal profunda, también encontrarán útil este SpringerBrief como herramienta de referencia. Nota de contenido: 1. Introduction -- 1.1 Lessons from Big Data Systems -- 1.2 Data Model -- 1. 3 Programming Model High-Performance Data Analysis for Science -- 2. FasTensor Programming Model -- 2.1 Introduction to Tensor Data Model -- 2.2 FasTensor Programming Model -- 2.2.1 Stencils -- 2.2.2 Chunks -- 2.2.3 Overlap -- 2.2.4 Operator: Transform -- 2.2.5 FasTensor Execution Engine -- 2.2.6 FasTensor Scientific Computing Use Cases -- 2.3 Summary -- Illustrated FasTensor User Interface -- 3.1 An Example -- 3.2 The Stencil Class -- 3.2.1 Constructors of the Stencil -- 3.2.2 Parenthesis operator () and ReadPoint -- 3.2.3 SetShape and GetShape -- 3.2.4 SetValue and GetValue -- 3.2.5 ReadNeighbors and WriteNeighbors -- 3.2.6 GetOffsetUpper and GetOffsetLower -- 3.2.7 GetChunkID -- 3.2.8 GetGlobalIndex and GetLocalIndex -- 3.2.9 Exercise of the Stencil class -- 3.3 The Array Class -- 3.3.1 Constructors of Array -- 3.3.2 SetChunkSize, SetChunkSizeByMem, SetChunkSizeByDim, and GetChunkSize -- 3.3.3 SetOverlapSize, SetOverlapSizeByDetection,GetOverlapSize, SetOverlapPadding, and SyncOverlap -- 3.3.4 Transform -- 3.3.5 SetStride and GetStride -- 3.3.6 AppendAttribute, InsertAttribute, GetAttribute and EraseAttribute -- 3.3.7 SetEndpoint and GetEndpoint -- 3.3.8 ControlEndpoint -- 3.3.9 -- ReadArray and WriteArray -- 3.3.10 SetTag and GetTag -- 3.3.11 GetArraySize and SetArraySize -- 3.3.12 Backup and Restore -- 3.3.13 CreateVisFile -- 3.3.14 ReportCost -- 3.3.15 EP_DIR Endpoint -- 3.3.16 EP_HDF5 and Other Endpoints -- Other Functions in FasTensor -- 3.4.1 FT_Init -- 3.4.2 FT_Finalize -- 3.4.3 Data types in FasTensor -- 4. FasTensor in Real Scientific Applications -- 4.1 DAS: Distributed Acoustic Sensing -- 4.2 VPIC: Vector Particle-In-Cell -- Appendix -- A.1 Installation Guide of FasTensor -- A.2 How to Develop a New Endpoint Protocol -- Alphabetical Index -- Bibliography -- References. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] User-Defined Tensor Data Analysis [documento electrónico] / Dong, Bin, ; Wu, Kesheng, ; Byna, Suren, . - 1 ed. . - [s.l.] : Springer, 2021 . - XII, 101 p. 23 ilustraciones.
ISBN : 978-3-030-70750-7
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Gestión de base de datos Grandes datos IngenierÃa Aprendizaje automático IngenierÃa de datos Clasificación: 005.74 Ciencia de los computadores (Archivos de datos y bases de datos) Resumen: Este SpringerBrief presenta FasTensor, un potente modelo de programación de datos paralelos desarrollado para aplicaciones de big data. Este libro también proporciona una guÃa del usuario para instalar y usar FasTensor. FasTensor permite a los usuarios expresar fácilmente muchas operaciones de análisis de datos, que pueden provenir de redes neuronales, informática cientÃfica o consultas de sistemas de gestión de bases de datos tradicionales (DBMS). FasTensor libera a los usuarios de todas las tareas de gestión de datos tediosas y subyacentes, como la partición de datos, la comunicación y la ejecución paralela. Este SpringerBrief ofrece una descripción general de alto nivel del modelo de programación de datos en paralelo de última generación y una motivación para el diseño de FasTensor. Ilustra la interfaz de programación de aplicaciones (API) de FasTensor con una gran cantidad de ejemplos y dos casos de uso reales de aplicaciones cientÃficas de vanguardia. FasTensor puede lograr una aceleración de múltiples órdenes de magnitud sobre Spark y otros sistemas pares en la ejecución de operaciones de análisis de big data. FasTensor hace que la programación para operaciones de análisis de datos a gran escala en supercomputadoras sea lo más productiva y eficiente posible. Una referencia completa de FasTensor incluye sus fundamentos teóricos, implementación de C++ y uso en aplicaciones. Los cientÃficos en dominios como la fÃsica y las geociencias, que analizan grandes cantidades de datos, querrán comprar este SpringerBrief. Los ingenieros de datos que diseñan y desarrollan software de análisis de datos y cientÃficos de datos, y que utilizan Spark o TensorFlow para realizar análisis de datos, como entrenar una red neuronal profunda, también encontrarán útil este SpringerBrief como herramienta de referencia. Nota de contenido: 1. Introduction -- 1.1 Lessons from Big Data Systems -- 1.2 Data Model -- 1. 3 Programming Model High-Performance Data Analysis for Science -- 2. FasTensor Programming Model -- 2.1 Introduction to Tensor Data Model -- 2.2 FasTensor Programming Model -- 2.2.1 Stencils -- 2.2.2 Chunks -- 2.2.3 Overlap -- 2.2.4 Operator: Transform -- 2.2.5 FasTensor Execution Engine -- 2.2.6 FasTensor Scientific Computing Use Cases -- 2.3 Summary -- Illustrated FasTensor User Interface -- 3.1 An Example -- 3.2 The Stencil Class -- 3.2.1 Constructors of the Stencil -- 3.2.2 Parenthesis operator () and ReadPoint -- 3.2.3 SetShape and GetShape -- 3.2.4 SetValue and GetValue -- 3.2.5 ReadNeighbors and WriteNeighbors -- 3.2.6 GetOffsetUpper and GetOffsetLower -- 3.2.7 GetChunkID -- 3.2.8 GetGlobalIndex and GetLocalIndex -- 3.2.9 Exercise of the Stencil class -- 3.3 The Array Class -- 3.3.1 Constructors of Array -- 3.3.2 SetChunkSize, SetChunkSizeByMem, SetChunkSizeByDim, and GetChunkSize -- 3.3.3 SetOverlapSize, SetOverlapSizeByDetection,GetOverlapSize, SetOverlapPadding, and SyncOverlap -- 3.3.4 Transform -- 3.3.5 SetStride and GetStride -- 3.3.6 AppendAttribute, InsertAttribute, GetAttribute and EraseAttribute -- 3.3.7 SetEndpoint and GetEndpoint -- 3.3.8 ControlEndpoint -- 3.3.9 -- ReadArray and WriteArray -- 3.3.10 SetTag and GetTag -- 3.3.11 GetArraySize and SetArraySize -- 3.3.12 Backup and Restore -- 3.3.13 CreateVisFile -- 3.3.14 ReportCost -- 3.3.15 EP_DIR Endpoint -- 3.3.16 EP_HDF5 and Other Endpoints -- Other Functions in FasTensor -- 3.4.1 FT_Init -- 3.4.2 FT_Finalize -- 3.4.3 Data types in FasTensor -- 4. FasTensor in Real Scientific Applications -- 4.1 DAS: Distributed Acoustic Sensing -- 4.2 VPIC: Vector Particle-In-Cell -- Appendix -- A.1 Installation Guide of FasTensor -- A.2 How to Develop a New Endpoint Protocol -- Alphabetical Index -- Bibliography -- References. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
