Adolescent Brain Cognitive Development Neurocognitive Prediction / Pohl, Kilian M. ; Thompson, Wesley K. ; Adeli, Ehsan ; Linguraru, Marius George  

Público ISBD Ningún comentario para este título. Título : Adolescent Brain Cognitive Development Neurocognitive Prediction : First Challenge, ABCD-NP 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings Tipo de documento: documento electrónico Autores: Pohl, Kilian M., ; Thompson, Wesley K., ; Adeli, Ehsan, ; Linguraru, Marius George, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XI, 188 p. 57 ilustraciones, 49 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-31901-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Visión por computador  Aprendizaje automático  Informática  Estadistica matematica  Procesamiento de datos  Probabilidad y Estadística en Informática  Minería de datos y descubrimiento de conocimientos Clasificación: Resumen: Este libro constituye las actas arbitradas del Primer Desafío en Predicción Neurocognitiva del Desarrollo Cognitivo del Cerebro de Adolescentes, ABCD-NP 2019, celebrado junto con MICCAI 2019, en Shenzhen, China, en octubre de 2019. Se revisaron cuidadosamente 29 presentaciones y 24 de ellas fueron aceptadas. . Algunas de las 24 presentaciones se fusionaron y dieron como resultado los 21 artículos que se presentan en este libro. Los artículos exploran métodos para predecir la inteligencia fluida a partir de resonancia magnética ponderada en T1 de 8669 niños (de 9 a 10 años de edad) reclutados por el estudio Adolescent Brain Cognitive Development Study (ABCD); el mayor estudio a largo plazo sobre el desarrollo del cerebro y la salud infantil en los Estados Unidos hasta la fecha. Nota de contenido: A Combined Deep Learning-Gradient Boosting Machine Framework for Fluid Intelligence Prediction -- Predicting Fluid Intelligence of Children using T1-weighted MR Images and a StackNet -- Deep Learning vs. Classical Machine Learning: A Comparison of Methods for Fluid Intelligence Prediction -- Surface-based Brain Morphometry for the Prediction of Fluid Intelligence in the Neurocognitive Prediction Challenge 2019 -- Prediction of Fluid Intelligence From T1-Weighted Magnetic Resonance Images -- Ensemble of SVM, Random-Forest and the BSWiMS Method to Predict and Describe Structural Associations with Fluid Intelligence Scores from T1-Weighed MRI -- Predicting intelligence based on cortical WM/GM contrast, cortical thickness and volumetry -- Predict Fluid Intelligence of Adolescent Using Ensemble Learning -- Predicting Fluid Intelligence in Adolescent Brain MRI Data: An Ensemble Approach -- Predicting Fluid intelligence from structural MRI using Random Forest regression -- Nu Support Vector Machinein Prediction of Fluid Intelligence Using MRI Data -- An AutoML Approach for the Prediction of Fluid Intelligence From MRI-Derived Features -- Predicting Fluid Intelligence from MRI images with Encoder-decoder Regularization -- ABCD Neurocognitive Prediction Challenge 2019: Predicting individual residual fluid intelligence scores from cortical grey matter morphology -- Ensemble Modeling of Neurocognitive Performance Using MRI-derived Brain Structure Volumes -- ABCD Neurocognitive Prediction Challenge 2019: Predicting individual fluid intelligence scores from structural MRI using probabilistic segmentation and kernel ridge regression -- Predicting fluid intelligence using anatomical measures within functionally defined brain networks -- Sex differences in predicting fluid intelligence of adolescent brain from T1-weighted MRIs -- Ensemble of 3D CNN regressors with data fusion for fluid intelligence prediction -- Adolescent fluid intelligence prediction from regional brain volumes and cortical curvatures using BlockPC-XGBoost -- Cortical and Subcortical Contributions to Predicting Intelligence using 3D ConvNets. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Adolescent Brain Cognitive Development Neurocognitive Prediction : First Challenge, ABCD-NP 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings [documento electrónico] / Pohl, Kilian M., ; Thompson, Wesley K., ; Adeli, Ehsan, ; Linguraru, Marius George,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - XI, 188 p. 57 ilustraciones, 49 ilustraciones en color. ISBN : 978-3-030-31901-4 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  Informática  Estadistica matematica  Procesamiento de datos  Probabilidad y Estadística en Informática  Minería de datos y descubrimiento de conocimientos Clasificación: Resumen: Este libro constituye las actas arbitradas del Primer Desafío en Predicción Neurocognitiva del Desarrollo Cognitivo del Cerebro de Adolescentes, ABCD-NP 2019, celebrado junto con MICCAI 2019, en Shenzhen, China, en octubre de 2019. Se revisaron cuidadosamente 29 presentaciones y 24 de ellas fueron aceptadas. . Algunas de las 24 presentaciones se fusionaron y dieron como resultado los 21 artículos que se presentan en este libro. Los artículos exploran métodos para predecir la inteligencia fluida a partir de resonancia magnética ponderada en T1 de 8669 niños (de 9 a 10 años de edad) reclutados por el estudio Adolescent Brain Cognitive Development Study (ABCD); el mayor estudio a largo plazo sobre el desarrollo del cerebro y la salud infantil en los Estados Unidos hasta la fecha. Nota de contenido: A Combined Deep Learning-Gradient Boosting Machine Framework for Fluid Intelligence Prediction -- Predicting Fluid Intelligence of Children using T1-weighted MR Images and a StackNet -- Deep Learning vs. Classical Machine Learning: A Comparison of Methods for Fluid Intelligence Prediction -- Surface-based Brain Morphometry for the Prediction of Fluid Intelligence in the Neurocognitive Prediction Challenge 2019 -- Prediction of Fluid Intelligence From T1-Weighted Magnetic Resonance Images -- Ensemble of SVM, Random-Forest and the BSWiMS Method to Predict and Describe Structural Associations with Fluid Intelligence Scores from T1-Weighed MRI -- Predicting intelligence based on cortical WM/GM contrast, cortical thickness and volumetry -- Predict Fluid Intelligence of Adolescent Using Ensemble Learning -- Predicting Fluid Intelligence in Adolescent Brain MRI Data: An Ensemble Approach -- Predicting Fluid intelligence from structural MRI using Random Forest regression -- Nu Support Vector Machinein Prediction of Fluid Intelligence Using MRI Data -- An AutoML Approach for the Prediction of Fluid Intelligence From MRI-Derived Features -- Predicting Fluid Intelligence from MRI images with Encoder-decoder Regularization -- ABCD Neurocognitive Prediction Challenge 2019: Predicting individual residual fluid intelligence scores from cortical grey matter morphology -- Ensemble Modeling of Neurocognitive Performance Using MRI-derived Brain Structure Volumes -- ABCD Neurocognitive Prediction Challenge 2019: Predicting individual fluid intelligence scores from structural MRI using probabilistic segmentation and kernel ridge regression -- Predicting fluid intelligence using anatomical measures within functionally defined brain networks -- Sex differences in predicting fluid intelligence of adolescent brain from T1-weighted MRIs -- Ensemble of 3D CNN regressors with data fusion for fluid intelligence prediction -- Adolescent fluid intelligence prediction from regional brain volumes and cortical curvatures using BlockPC-XGBoost -- Cortical and Subcortical Contributions to Predicting Intelligence using 3D ConvNets. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200