| 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 |
|  |
Hacer una sugerencia Refinar búsquedaGraphs in Biomedical Image Analysis and Integrating Medical Imaging and Non-Imaging Modalities / Stoyanov, Danail ; Taylor, Zeike ; Ferrante, Enzo ; Dalca, Adrian V. ; Martel, Anne ; Maier-Hein, Lena ; Parisot, Sarah ; Sotiras, Aristeidis ; Papiez, Bartlomiej ; Sabuncu, Mert R. ; Shen, Li
