Autor Tanno, Ryutaro
|
|
Documentos disponibles escritos por este autor (3)
Hacer una sugerencia Refinar búsquedaUncertainty for Safe Utilization of Machine Learning in Medical Imaging and Clinical Image-Based Procedures / Greenspan, Hayit ; Tanno, Ryutaro ; Erdt, Marius ; Arbel, Tal ; Baumgartner, Christian ; Dalca, Adrian ; Sudre, Carole H. ; Wells, William M. ; Drechsler, Klaus ; Linguraru, Marius George ; Oyarzun Laura, Cristina ; Shekhar, Raj ; Wesarg, Stefan ; González Ballester, Miguel Ángel
Título : Uncertainty for Safe Utilization of Machine Learning in Medical Imaging and Clinical Image-Based Procedures : First International Workshop, UNSURE 2019, and 8th International Workshop, CLIP 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings Tipo de documento: documento electrónico Autores: Greenspan, Hayit, ; Tanno, Ryutaro, ; Erdt, Marius, ; Arbel, Tal, ; Baumgartner, Christian, ; Dalca, Adrian, ; Sudre, Carole H., ; Wells, William M., ; Drechsler, Klaus, ; Linguraru, Marius George, ; Oyarzun Laura, Cristina, ; Shekhar, Raj, ; Wesarg, Stefan, ; González Ballester, Miguel Ángel, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XVII, 192 p. 83 ilustraciones, 76 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-32689-0 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 Informática Médica Informática de la Salud Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2019, y el 8.º Taller Internacional sobre Procedimientos Clínicos Basados en Imágenes, CLIP 2019, celebrado junto con MICCAI 2019, en Shenzhen. , China, en octubre de 2019. Para UNSURE 2019, se aceptaron para publicación 8 artículos de 15 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. CLIP 2019 aceptó 11 artículos de las 15 presentaciones recibidas. Los talleres proporcionan un foro para el trabajo centrado en aplicaciones clínicas específicas, incluidas técnicas y procedimientos basados en imágenes clínicas integrales y otros datos. . Nota de contenido: UNSURE 2019: Uncertainty quantification and noise modelling -- Probabilistic Surface Reconstruction with Unknown Correspondence -- Probabilistic Image Registration via Deep Multi-class Classification: Characterizing Uncertainty -- Propagating Uncertainty Across Cascaded Medical Imaging Tasks For Improved Deep Learning Inference -- Reg R-CNN: Lesion Detection and Grading under Noisy Labels -- Fast Nonparametric Mutual Information based Registration and Uncertainty Estimation -- Quantifying Uncertainty of deep neural networks in skin lesion classification -- UNSURE 2019: Domain shift robustness -- A Generalized Approach to Determine Confident Samples for Deep Neural Networks on Unseen Data -- Out of distribution detection for intra-operative functional imaging -- CLIP 2019 -- A Clinical Measuring Platform for Building the Bridge across the Quantification of Pathological N-cells in Medical Imaging for Studies of Disease -- Spatiotemporal statistical model of anatomical landmarks on a human embryonic brain -- Spaciousness filters for non-contrast CT volume segmentation of the intestine region for emergency ileus diagnosis -- Recovering physiological changes in nasal anatomy with confidence estimates -- Synthesis of Medical Images Using GANs -- DPANet: A Novel Network Based on Dense Pyramid Feature Extractor and Dual Correlation Analysis Attention Modules for Colon Glands Segmentation -- Multi-instance deep learning with graph convolutional neural networks for diagnosis of kidney diseases using ultrasound imaging -- Data Augmentation from Sketch -- An automated CNN-based 3D anatomical landmark detection method to facilitate surface-based 3D facial shape analysis -- A Device-independent Novel Statistical Modeling for Cerebral TOF-MRA data Segmentation -- Three-dimensional face reconstruction from uncalibrated photographs: application to early detection of genetic syndromes. 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 Uncertainty for Safe Utilization of Machine Learning in Medical Imaging and Clinical Image-Based Procedures : First International Workshop, UNSURE 2019, and 8th International Workshop, CLIP 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings [documento electrónico] / Greenspan, Hayit, ; Tanno, Ryutaro, ; Erdt, Marius, ; Arbel, Tal, ; Baumgartner, Christian, ; Dalca, Adrian, ; Sudre, Carole H., ; Wells, William M., ; Drechsler, Klaus, ; Linguraru, Marius George, ; Oyarzun Laura, Cristina, ; Shekhar, Raj, ; Wesarg, Stefan, ; González Ballester, Miguel Ángel, . - 1 ed. . - [s.l.] : Springer, 2019 . - XVII, 192 p. 83 ilustraciones, 76 ilustraciones en color.
ISBN : 978-3-030-32689-0
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 Informática Médica Informática de la Salud Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2019, y el 8.º Taller Internacional sobre Procedimientos Clínicos Basados en Imágenes, CLIP 2019, celebrado junto con MICCAI 2019, en Shenzhen. , China, en octubre de 2019. Para UNSURE 2019, se aceptaron para publicación 8 artículos de 15 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. CLIP 2019 aceptó 11 artículos de las 15 presentaciones recibidas. Los talleres proporcionan un foro para el trabajo centrado en aplicaciones clínicas específicas, incluidas técnicas y procedimientos basados en imágenes clínicas integrales y otros datos. . Nota de contenido: UNSURE 2019: Uncertainty quantification and noise modelling -- Probabilistic Surface Reconstruction with Unknown Correspondence -- Probabilistic Image Registration via Deep Multi-class Classification: Characterizing Uncertainty -- Propagating Uncertainty Across Cascaded Medical Imaging Tasks For Improved Deep Learning Inference -- Reg R-CNN: Lesion Detection and Grading under Noisy Labels -- Fast Nonparametric Mutual Information based Registration and Uncertainty Estimation -- Quantifying Uncertainty of deep neural networks in skin lesion classification -- UNSURE 2019: Domain shift robustness -- A Generalized Approach to Determine Confident Samples for Deep Neural Networks on Unseen Data -- Out of distribution detection for intra-operative functional imaging -- CLIP 2019 -- A Clinical Measuring Platform for Building the Bridge across the Quantification of Pathological N-cells in Medical Imaging for Studies of Disease -- Spatiotemporal statistical model of anatomical landmarks on a human embryonic brain -- Spaciousness filters for non-contrast CT volume segmentation of the intestine region for emergency ileus diagnosis -- Recovering physiological changes in nasal anatomy with confidence estimates -- Synthesis of Medical Images Using GANs -- DPANet: A Novel Network Based on Dense Pyramid Feature Extractor and Dual Correlation Analysis Attention Modules for Colon Glands Segmentation -- Multi-instance deep learning with graph convolutional neural networks for diagnosis of kidney diseases using ultrasound imaging -- Data Augmentation from Sketch -- An automated CNN-based 3D anatomical landmark detection method to facilitate surface-based 3D facial shape analysis -- A Device-independent Novel Statistical Modeling for Cerebral TOF-MRA data Segmentation -- Three-dimensional face reconstruction from uncalibrated photographs: application to early detection of genetic syndromes. 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 : Uncertainty for Safe Utilization of Machine Learning in Medical Imaging, and Graphs in Biomedical Image Analysis : Second International Workshop, UNSURE 2020, and Third International Workshop, GRAIL 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings Tipo de documento: documento electrónico Autores: Sudre, Carole H., ; Fehri, Hamid, ; Arbel, Tal, ; Baumgartner, Christian F., ; Dalca, Adrian, ; Tanno, Ryutaro, ; Van Leemput, Koen, ; Wells, William M., ; Sotiras, Aristeidis, ; Papiez, Bartlomiej, ; Ferrante, Enzo, ; Parisot, Sarah, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XVII, 222 p. 85 ilustraciones, 76 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-60365-6 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 Sistemas de reconocimiento de patrones Visión por computador Ciencias sociales Reconocimiento de patrones automatizado Aplicación informática en ciencias sociales y del comportamiento Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Segundo Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2020, y el Tercer Taller Internacional sobre Gráficos en Análisis de Imágenes Biomédicas, GRAIL 2020, celebrado en conjunto con MICCAI 2020, en Lima. , Perú, en octubre de 2020. Los talleres se realizaron de manera virtual debido a la pandemia de COVID-19. Para UNSURE 2020, se aceptó para publicación 10 artículos de 18 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. GRAIL 2020 aceptó 10 artículos de las 12 presentaciones recibidas. El taller tiene como objetivo reunir a científicos que utilizan y desarrollan modelos basados en gráficos para el análisis de imágenes biomédicas y fomentar la exploración de modelos basados en gráficos para problemas clínicos difíciles dentro de una variedad de contextos de imágenes biomédicas. Nota de contenido: UNSURE 2020 -- Image registration via stochastic gradient Markov chain Monte Carlo -- RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty Quantification -- Hierarchical brain parcellation with uncertainty -- Quantitative Comparison of Monte-Carlo Dropout Uncertainty Measures for Multi-Class Segmentation -- Uncertainty Estimation in Landmark Localization based on Gaussian Heatmaps -- Weight averaging impact on the uncertainty of retinal artery-venous segmentation -- Improving Pathological Distribution Measurements with Bayesian Uncertainty -- Improving Reliability of Clinical Models using Prediction Calibration -- Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior -- Uncertainty Estimation for Assessment of 3D US Scan Adequacy and DDH Metric Reliability -- GRAIL 2020 -- Clustering-based Deep Brain MultiGraph Integrator Network for Learning Connectional Brain Templates -- Detection of Discriminative Neurological Circuits Using Hierarchical GraphConvolutional Networks in fMRI Sequences -- Graph Matching Based Connectomic Biomarker with Learning for Brain Disorders -- Multi-Scale Profiling of Brain Multigraphs by Eigen-based Cross-Diffusion and Heat Tracing for Brain State Proling -- Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation -- Min-cut Max-flow for Network Abnormality Detection: Application to Preterm Birth -- Geometric Deep Learning for Post-Menstrual Age Prediction based on the Neonatal White Matter Cortical Surface -- The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised Framework for Medical Image Classification -- Intraoperative Liver Surface Completion with Graph Convolutional VAE -- HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for Histopathological Image Classification. 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 Uncertainty for Safe Utilization of Machine Learning in Medical Imaging, and Graphs in Biomedical Image Analysis : Second International Workshop, UNSURE 2020, and Third International Workshop, GRAIL 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings [documento electrónico] / Sudre, Carole H., ; Fehri, Hamid, ; Arbel, Tal, ; Baumgartner, Christian F., ; Dalca, Adrian, ; Tanno, Ryutaro, ; Van Leemput, Koen, ; Wells, William M., ; Sotiras, Aristeidis, ; Papiez, Bartlomiej, ; Ferrante, Enzo, ; Parisot, Sarah, . - 1 ed. . - [s.l.] : Springer, 2020 . - XVII, 222 p. 85 ilustraciones, 76 ilustraciones en color.
ISBN : 978-3-030-60365-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Sistemas de reconocimiento de patrones Visión por computador Ciencias sociales Reconocimiento de patrones automatizado Aplicación informática en ciencias sociales y del comportamiento Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Segundo Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2020, y el Tercer Taller Internacional sobre Gráficos en Análisis de Imágenes Biomédicas, GRAIL 2020, celebrado en conjunto con MICCAI 2020, en Lima. , Perú, en octubre de 2020. Los talleres se realizaron de manera virtual debido a la pandemia de COVID-19. Para UNSURE 2020, se aceptó para publicación 10 artículos de 18 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. GRAIL 2020 aceptó 10 artículos de las 12 presentaciones recibidas. El taller tiene como objetivo reunir a científicos que utilizan y desarrollan modelos basados en gráficos para el análisis de imágenes biomédicas y fomentar la exploración de modelos basados en gráficos para problemas clínicos difíciles dentro de una variedad de contextos de imágenes biomédicas. Nota de contenido: UNSURE 2020 -- Image registration via stochastic gradient Markov chain Monte Carlo -- RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty Quantification -- Hierarchical brain parcellation with uncertainty -- Quantitative Comparison of Monte-Carlo Dropout Uncertainty Measures for Multi-Class Segmentation -- Uncertainty Estimation in Landmark Localization based on Gaussian Heatmaps -- Weight averaging impact on the uncertainty of retinal artery-venous segmentation -- Improving Pathological Distribution Measurements with Bayesian Uncertainty -- Improving Reliability of Clinical Models using Prediction Calibration -- Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior -- Uncertainty Estimation for Assessment of 3D US Scan Adequacy and DDH Metric Reliability -- GRAIL 2020 -- Clustering-based Deep Brain MultiGraph Integrator Network for Learning Connectional Brain Templates -- Detection of Discriminative Neurological Circuits Using Hierarchical GraphConvolutional Networks in fMRI Sequences -- Graph Matching Based Connectomic Biomarker with Learning for Brain Disorders -- Multi-Scale Profiling of Brain Multigraphs by Eigen-based Cross-Diffusion and Heat Tracing for Brain State Proling -- Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation -- Min-cut Max-flow for Network Abnormality Detection: Application to Preterm Birth -- Geometric Deep Learning for Post-Menstrual Age Prediction based on the Neonatal White Matter Cortical Surface -- The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised Framework for Medical Image Classification -- Intraoperative Liver Surface Completion with Graph Convolutional VAE -- HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for Histopathological Image Classification. 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 : Uncertainty for Safe Utilization of Machine Learning in Medical Imaging, and Perinatal Imaging, Placental and Preterm Image Analysis : 3rd International Workshop, UNSURE 2021, and 6th International Workshop, PIPPI 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings Tipo de documento: documento electrónico Autores: Sudre, Carole H., ; Licandro, Roxane, ; Baumgartner, Christian, ; Melbourne, Andrew, ; Dalca, Adrian, ; Hutter, Jana, ; Tanno, Ryutaro, ; Abaci Turk, Esra, ; Van Leemput, Koen, ; Torrents Barrena, Jordina, ; Wells, William M., ; Macgowan, Christopher, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XIII, 296 p. 112 ilustraciones, 103 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-87735-4 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 Bioinformática Sistemas de reconocimiento de patrones Biología Computacional y de Sistemas Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Tercer Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2021, y el 6to Taller Internacional sobre Análisis de Imágenes Prematuros, Perinatales y Pediátricas, PIPPI 2021, celebrado junto con MICCAI 2021. Estaba previsto que la conferencia se celebrara en Estrasburgo, Francia, pero se celebró virtualmente debido a la pandemia de COVID-19. Para UNSURE 2021, se aceptó para publicación 13 artículos de 18 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. PIPPI 2021 aceptó 14 artículos de las 18 presentaciones recibidas. El taller tiene como objetivo reunir métodos y experiencias de investigadores y autores que trabajan en estas cohortes más jóvenes y proporciona un foro para la discusión abierta sobre enfoques avanzados de análisis de imágenes centrados en el análisis del crecimiento y desarrollo en el período fetal, infantil y pediátrico. Nota de contenido: UNSURE 2021 - Uncertainty estimation and modelling and annotation uncertainty -- Model uncertainty estimation for medical Imaging based diagnosis -- Accurate simulation of operating system updates in neuroimaging using Monte-Carlo arithmetic -- Leveraging uncertainty estimates to improve segmentation performance in cardiac MR -- Improving the reliability of semantic segmentation of medical images by uncertainty modelling with Bayesian deep networks and curriculum learning -- Unpaired MR image homogeneisation by disentangled representations and its uncertainty -- Uncertainty-aware deep learning based deformable registration -- Monte Carlo Concrete DropPath for Epistemic Uncertainty Estimation in Brain Tumour segmentation -- Improving Aleatoric Uncertainty quantification in multi-annotated medical image segmentation with normalizing flows -- UNSURE 2021 – Domain shift robustness and risk management in clinical pipelines -- Task-agnostic out-of-distribution detection using kernel density estimation -- Out of distribution detection for medical images -- Robust selective classification of skin lesions with asymmetric costs -- Confidence-based Out-of-Distribution detection: a comparative study and analysis -- Novel disease detection using ensembles with regularized disagreement -- PIPPI2021 -- Automatic Placenta Abnormality Detection using Convolutional Neural Networks on Ultrasound Texture -- Simulated Half-Fourier Acquisitions Single-shot Turbo Spin Echo (HASTE) of the Fetal Brain: Application to Super-Resolution Reconstruction -- Spatio-temporal atlas of normal fetal craniofacial feature development and CNN-based ocular biometry for motion-corrected fetal MRI -- Myelination of preterm brain networks at adolescence -- A bootstrap self-training method for sequence transfer: State-of-the-art placenta segmentation in fetal MRI -- Segmentation of the cortical plate in fetal brain MRI with a topological loss -- Fetal brain MRI measurements using a deep learning landmark network with reliability estimation -- CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI -- Detection of Injury and Automated Triage of Preterm Neonatal MRI using Patch-Based Gaussian Processes -- Assessment of Regional Cortical Development through Fissure Based Gestational Age Estimation in 3D Fetal Ultrasound -- Texture-based Analysis of Fetal Organs in Fetal Growth Restriction -- Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI -- Analysis of the Anatomical Variability of Fetal Brains with Corpus Callosum Agenesis -- Predicting preterm birth using multimodal fetal imaging. 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 Uncertainty for Safe Utilization of Machine Learning in Medical Imaging, and Perinatal Imaging, Placental and Preterm Image Analysis : 3rd International Workshop, UNSURE 2021, and 6th International Workshop, PIPPI 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings [documento electrónico] / Sudre, Carole H., ; Licandro, Roxane, ; Baumgartner, Christian, ; Melbourne, Andrew, ; Dalca, Adrian, ; Hutter, Jana, ; Tanno, Ryutaro, ; Abaci Turk, Esra, ; Van Leemput, Koen, ; Torrents Barrena, Jordina, ; Wells, William M., ; Macgowan, Christopher, . - 1 ed. . - [s.l.] : Springer, 2021 . - XIII, 296 p. 112 ilustraciones, 103 ilustraciones en color.
ISBN : 978-3-030-87735-4
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 Bioinformática Sistemas de reconocimiento de patrones Biología Computacional y de Sistemas Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del Tercer Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2021, y el 6to Taller Internacional sobre Análisis de Imágenes Prematuros, Perinatales y Pediátricas, PIPPI 2021, celebrado junto con MICCAI 2021. Estaba previsto que la conferencia se celebrara en Estrasburgo, Francia, pero se celebró virtualmente debido a la pandemia de COVID-19. Para UNSURE 2021, se aceptó para publicación 13 artículos de 18 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. PIPPI 2021 aceptó 14 artículos de las 18 presentaciones recibidas. El taller tiene como objetivo reunir métodos y experiencias de investigadores y autores que trabajan en estas cohortes más jóvenes y proporciona un foro para la discusión abierta sobre enfoques avanzados de análisis de imágenes centrados en el análisis del crecimiento y desarrollo en el período fetal, infantil y pediátrico. Nota de contenido: UNSURE 2021 - Uncertainty estimation and modelling and annotation uncertainty -- Model uncertainty estimation for medical Imaging based diagnosis -- Accurate simulation of operating system updates in neuroimaging using Monte-Carlo arithmetic -- Leveraging uncertainty estimates to improve segmentation performance in cardiac MR -- Improving the reliability of semantic segmentation of medical images by uncertainty modelling with Bayesian deep networks and curriculum learning -- Unpaired MR image homogeneisation by disentangled representations and its uncertainty -- Uncertainty-aware deep learning based deformable registration -- Monte Carlo Concrete DropPath for Epistemic Uncertainty Estimation in Brain Tumour segmentation -- Improving Aleatoric Uncertainty quantification in multi-annotated medical image segmentation with normalizing flows -- UNSURE 2021 – Domain shift robustness and risk management in clinical pipelines -- Task-agnostic out-of-distribution detection using kernel density estimation -- Out of distribution detection for medical images -- Robust selective classification of skin lesions with asymmetric costs -- Confidence-based Out-of-Distribution detection: a comparative study and analysis -- Novel disease detection using ensembles with regularized disagreement -- PIPPI2021 -- Automatic Placenta Abnormality Detection using Convolutional Neural Networks on Ultrasound Texture -- Simulated Half-Fourier Acquisitions Single-shot Turbo Spin Echo (HASTE) of the Fetal Brain: Application to Super-Resolution Reconstruction -- Spatio-temporal atlas of normal fetal craniofacial feature development and CNN-based ocular biometry for motion-corrected fetal MRI -- Myelination of preterm brain networks at adolescence -- A bootstrap self-training method for sequence transfer: State-of-the-art placenta segmentation in fetal MRI -- Segmentation of the cortical plate in fetal brain MRI with a topological loss -- Fetal brain MRI measurements using a deep learning landmark network with reliability estimation -- CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI -- Detection of Injury and Automated Triage of Preterm Neonatal MRI using Patch-Based Gaussian Processes -- Assessment of Regional Cortical Development through Fissure Based Gestational Age Estimation in 3D Fetal Ultrasound -- Texture-based Analysis of Fetal Organs in Fetal Growth Restriction -- Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI -- Analysis of the Anatomical Variability of Fetal Brains with Corpus Callosum Agenesis -- Predicting preterm birth using multimodal fetal imaging. 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
