Información del autor
Autor Cardoso, Jaime |
Documentos disponibles escritos por este autor (3)
Crear una solicitud de compra Refinar búsquedaArtificial Intelligence in Medicine / Tucker, Allan ; Henriques Abreu, Pedro ; Cardoso, Jaime ; Pereira Rodrigues, Pedro ; Riaño, David
TÃtulo : Artificial Intelligence in Medicine : 19th International Conference on Artificial Intelligence in Medicine, AIME 2021, Virtual Event, June 15–18, 2021, Proceedings / Tipo de documento: documento electrónico Autores: Tucker, Allan, ; Henriques Abreu, Pedro, ; Cardoso, Jaime, ; Pereira Rodrigues, Pedro, ; Riaño, David, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XX, 505 p. 153 ilustraciones, 122 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-77211-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial IngenierÃa Informática Red de computadoras Software de la aplicacion Ordenadores Procesamiento de imágenes Visión por computador Informática Estadistica matematica IngenierÃa Informática y Redes Aplicaciones informáticas y de sistemas de información Entornos informáticos Imágenes por computadora visión reconocimiento de patrones y gráficos Probabilidad y EstadÃstica en Informática Clasificación: 006.3 Resumen: Este libro constituye las actas arbitradas de la 19.ª Conferencia Internacional sobre Inteligencia Artificial en Medicina, AIME 2021, celebrada como evento virtual en junio de 2021. Los 28 artÃculos completos presentados junto con 30 artÃculos breves fueron seleccionados entre 138 presentaciones. Los artÃculos se agrupan en secciones temáticas sobre análisis de imágenes; modelado predictivo; análisis de datos temporales; aprendizaje sin supervisión; apoyo a la planificación y la toma de decisiones; aprendizaje profundo; procesamiento natural del lenguaje; y representación del conocimiento y minerÃa de reglas. Nota de contenido: Image Analysis -- Predictive Modelling -- Temporal Data Analysis -- Unsupervised Learning -- Planning and Decision Support -- Deep Learning -- Natural Language Processing -- Knowledge Representation and Rule Mining. Tipo de medio : Computadora Summary : This book constitutes the refereed proceedings of the 19th International Conference on Artificial Intelligence in Medicine, AIME 2021, held as a virtual event, in June 2021. The 28 full papers presented together with 30 short papers were selected from 138 submissions. The papers are grouped in topical sections on image analysis; predictive modelling; temporal data analysis; unsupervised learning; planning and decision support; deep learning; natural language processing; and knowledge representation and rule mining. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Artificial Intelligence in Medicine : 19th International Conference on Artificial Intelligence in Medicine, AIME 2021, Virtual Event, June 15–18, 2021, Proceedings / [documento electrónico] / Tucker, Allan, ; Henriques Abreu, Pedro, ; Cardoso, Jaime, ; Pereira Rodrigues, Pedro, ; Riaño, David, . - 1 ed. . - [s.l.] : Springer, 2021 . - XX, 505 p. 153 ilustraciones, 122 ilustraciones en color.
ISBN : 978-3-030-77211-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Inteligencia artificial IngenierÃa Informática Red de computadoras Software de la aplicacion Ordenadores Procesamiento de imágenes Visión por computador Informática Estadistica matematica IngenierÃa Informática y Redes Aplicaciones informáticas y de sistemas de información Entornos informáticos Imágenes por computadora visión reconocimiento de patrones y gráficos Probabilidad y EstadÃstica en Informática Clasificación: 006.3 Resumen: Este libro constituye las actas arbitradas de la 19.ª Conferencia Internacional sobre Inteligencia Artificial en Medicina, AIME 2021, celebrada como evento virtual en junio de 2021. Los 28 artÃculos completos presentados junto con 30 artÃculos breves fueron seleccionados entre 138 presentaciones. Los artÃculos se agrupan en secciones temáticas sobre análisis de imágenes; modelado predictivo; análisis de datos temporales; aprendizaje sin supervisión; apoyo a la planificación y la toma de decisiones; aprendizaje profundo; procesamiento natural del lenguaje; y representación del conocimiento y minerÃa de reglas. Nota de contenido: Image Analysis -- Predictive Modelling -- Temporal Data Analysis -- Unsupervised Learning -- Planning and Decision Support -- Deep Learning -- Natural Language Processing -- Knowledge Representation and Rule Mining. Tipo de medio : Computadora Summary : This book constitutes the refereed proceedings of the 19th International Conference on Artificial Intelligence in Medicine, AIME 2021, held as a virtual event, in June 2021. The 28 full papers presented together with 30 short papers were selected from 138 submissions. The papers are grouped in topical sections on image analysis; predictive modelling; temporal data analysis; unsupervised learning; planning and decision support; deep learning; natural language processing; and knowledge representation and rule mining. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Interpretability of Machine Intelligence in Medical Image Computing, and Topological Data Analysis and Its Applications for Medical Data : 4th International Workshop, iMIMIC 2021, and 1st International Workshop, TDA4MedicalData 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings Tipo de documento: documento electrónico Autores: Reyes, Mauricio, ; Henriques Abreu, Pedro, ; Cardoso, Jaime, ; Hajij, Mustafa, ; Zamzmi, Ghada, ; Rahul, Paul, ; Thakur, Lokendra, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: X, 129 p. 3 ilustraciones ISBN/ISSN/DL: 978-3-030-87444-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Visión Aplicaciones informáticas y de sistemas de información Aprendizaje automático BiologÃa Computacional y de Sistemas TeorÃa de la Computación Bioinformática Informática Procesamiento de imágenes Visión por computador Clasificación: 6 Resumen: Este libro constituye las actas conjuntas arbitradas del 4to Taller Internacional sobre Interpretabilidad de la Inteligencia Artificial en Computación de Imágenes Médicas, iMIMIC 2020, y el Primer Taller Internacional sobre Análisis de Datos Topológicos y sus Aplicaciones para Datos Médicos, TDA4MedicalData 2021, celebrado el 27 de septiembre de 2021. , en conjunto con la 24.a Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2021. Los 7 artÃculos completos presentados en iMIMIC 2021 y los 5 artÃculos completos realizados en TDA4MedicalData 2021 fueron cuidadosamente revisados ​​y seleccionados entre 12 presentaciones cada uno. Los artÃculos de iMIMIC se centran en presentar los desafÃos y oportunidades relacionados con el tema de la interpretabilidad de los sistemas de aprendizaje automático en el contexto de las imágenes médicas y la intervención asistida por computadora. TDA4MedicalData se centra en el uso de técnicas TDA para mejorar el rendimiento, la generalización, la eficiencia y la explicabilidad de los métodos actuales aplicados a los datos médicos. Nota de contenido: iMIMIC 2021 Workshop -- Interpretable Deep Learning for Surgical Tool Management -- Soft Attention Improves Skin Cancer Classification Performance -- Deep Gradient based on Collective Arti cial Intelligence for AD Diagnosis and Prognosis -- This explains That: Congruent Image-Report Generation for Explainable Medical Image Analysis with Cyclic Generative Adversarial Networks -- Visual Explanation by Unifying Adversarial Generation and Feature Importance Attributions -- The Effect of the Loss on Generalization: Empirical Study on Synthetic Lung Nodule Data -- Voxel-level Importance Maps for Interpretable Brain Age Estimation -- TDA4MedicalData Workshop -- Lattice Paths for Persistent Diagrams -- Neighborhood complex based machine learning (NCML) models for drug design -- Predictive modelling of highly multiplexed tumour tissue images by graph neural networks -- Statistical modeling of pulmonary vasculatures with topological priors in CT volumes -- Topological Detection of Alzheimer's Disease using Betti Curves. . Tipo de medio : Computadora Summary : This book constitutes the refereed joint proceedings of the 4th International Workshop on Interpretability of Machine Intelligence in Medical Image Computing, iMIMIC 2020, and the First International Workshop on Topological Data Analysis and Its Applications for Medical Data, TDA4MedicalData 2021, held on September 27, 2021, in conjunction with the 24th International Conference on Medical Imaging and Computer-Assisted Intervention, MICCAI 2021. The 7 full papers presented at iMIMIC 2021 and 5 full papers held at TDA4MedicalData 2021 were carefully reviewed and selected from 12 submissions each. The iMIMIC papers focus on introducing the challenges and opportunities related to the topic of interpretability of machine learning systems in the context of medical imaging and computer assisted intervention. TDA4MedicalData is focusing on using TDA techniques to enhance the performance, generalizability, efficiency, and explainability of the current methods applied to medical data. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Interpretability of Machine Intelligence in Medical Image Computing, and Topological Data Analysis and Its Applications for Medical Data : 4th International Workshop, iMIMIC 2021, and 1st International Workshop, TDA4MedicalData 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings [documento electrónico] / Reyes, Mauricio, ; Henriques Abreu, Pedro, ; Cardoso, Jaime, ; Hajij, Mustafa, ; Zamzmi, Ghada, ; Rahul, Paul, ; Thakur, Lokendra, . - 1 ed. . - [s.l.] : Springer, 2021 . - X, 129 p. 3 ilustraciones.
ISBN : 978-3-030-87444-5
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Visión Aplicaciones informáticas y de sistemas de información Aprendizaje automático BiologÃa Computacional y de Sistemas TeorÃa de la Computación Bioinformática Informática Procesamiento de imágenes Visión por computador Clasificación: 6 Resumen: Este libro constituye las actas conjuntas arbitradas del 4to Taller Internacional sobre Interpretabilidad de la Inteligencia Artificial en Computación de Imágenes Médicas, iMIMIC 2020, y el Primer Taller Internacional sobre Análisis de Datos Topológicos y sus Aplicaciones para Datos Médicos, TDA4MedicalData 2021, celebrado el 27 de septiembre de 2021. , en conjunto con la 24.a Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2021. Los 7 artÃculos completos presentados en iMIMIC 2021 y los 5 artÃculos completos realizados en TDA4MedicalData 2021 fueron cuidadosamente revisados ​​y seleccionados entre 12 presentaciones cada uno. Los artÃculos de iMIMIC se centran en presentar los desafÃos y oportunidades relacionados con el tema de la interpretabilidad de los sistemas de aprendizaje automático en el contexto de las imágenes médicas y la intervención asistida por computadora. TDA4MedicalData se centra en el uso de técnicas TDA para mejorar el rendimiento, la generalización, la eficiencia y la explicabilidad de los métodos actuales aplicados a los datos médicos. Nota de contenido: iMIMIC 2021 Workshop -- Interpretable Deep Learning for Surgical Tool Management -- Soft Attention Improves Skin Cancer Classification Performance -- Deep Gradient based on Collective Arti cial Intelligence for AD Diagnosis and Prognosis -- This explains That: Congruent Image-Report Generation for Explainable Medical Image Analysis with Cyclic Generative Adversarial Networks -- Visual Explanation by Unifying Adversarial Generation and Feature Importance Attributions -- The Effect of the Loss on Generalization: Empirical Study on Synthetic Lung Nodule Data -- Voxel-level Importance Maps for Interpretable Brain Age Estimation -- TDA4MedicalData Workshop -- Lattice Paths for Persistent Diagrams -- Neighborhood complex based machine learning (NCML) models for drug design -- Predictive modelling of highly multiplexed tumour tissue images by graph neural networks -- Statistical modeling of pulmonary vasculatures with topological priors in CT volumes -- Topological Detection of Alzheimer's Disease using Betti Curves. . Tipo de medio : Computadora Summary : This book constitutes the refereed joint proceedings of the 4th International Workshop on Interpretability of Machine Intelligence in Medical Image Computing, iMIMIC 2020, and the First International Workshop on Topological Data Analysis and Its Applications for Medical Data, TDA4MedicalData 2021, held on September 27, 2021, in conjunction with the 24th International Conference on Medical Imaging and Computer-Assisted Intervention, MICCAI 2021. The 7 full papers presented at iMIMIC 2021 and 5 full papers held at TDA4MedicalData 2021 were carefully reviewed and selected from 12 submissions each. The iMIMIC papers focus on introducing the challenges and opportunities related to the topic of interpretability of machine learning systems in the context of medical imaging and computer assisted intervention. TDA4MedicalData is focusing on using TDA techniques to enhance the performance, generalizability, efficiency, and explainability of the current methods applied to medical data. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Interpretable and Annotation-Efficient Learning for Medical Image Computing : Third International Workshop, iMIMIC 2020, Second International Workshop, MIL3ID 2020, and 5th International Workshop, LABELS 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings / Tipo de documento: documento electrónico Autores: Cardoso, Jaime, ; Van Nguyen, Hien, ; Heller, Nicholas, ; Henriques Abreu, Pedro, ; Isgum, Ivana, ; Silva, Wilson, ; Cruz, Ricardo, ; Pereira Amorim, Jose, ; Patel, Vishal, ; Roysam, Badri, ; Zhou, Kevin, ; Jiang, Steve, ; Le, Ngan, ; Luu, Khoa, ; Sznitman, Raphael, ; Cheplygina, Veronika, ; Mateus, Diana, ; Trucco, Emanuele, ; Abbasi, Samaneh, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XVII, 292 p. 109 ilustraciones ISBN/ISSN/DL: 978-3-030-61166-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Visión por computador Inteligencia artificial BiologÃa Computacional y de Sistemas Aplicación informática en ciencias sociales y del comportamiento. Reconocimiento de patrones automatizado Sistemas de reconocimiento de patrones Bioinformática Ciencias sociales Procesamiento de datos Clasificación: 006.3 Resumen: Este libro constituye las actas conjuntas arbitradas del Tercer Taller Internacional sobre Interpretabilidad de la Inteligencia Artificial en Computación de Imágenes Médicas, iMIMIC 2020, el Segundo Taller Internacional sobre Aprendizaje de Imágenes Médicas con Menos Etiquetas y Datos Imperfectos, MIL3ID 2020, y el Quinto Taller Internacional sobre Aprendizaje de Imágenes Médicas con Menos Etiquetas y Datos Imperfectos, MIL3ID 2020. Anotación a escala de datos biomédicos y sÃntesis de etiquetas de expertos, LABELS 2020, celebrada junto con la 23.ª Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2020, en Lima, Perú, en octubre de 2020. Los 8 artÃculos completos presentados en iMIMIC 2020, 11 artÃculos completos para MIL3ID 2020 y los 10 artÃculos completos presentados en LABELS 2020 fueron cuidadosamente revisados ​​y seleccionados entre 16 presentaciones para iMIMIC, 28 para MIL3ID y 12 presentaciones para LABELS. Los artÃculos de iMIMIC se centran en presentar los desafÃos y oportunidades relacionados con el tema de la interpretabilidad de los sistemas de aprendizaje automático en el contexto de las imágenes médicas y la intervención asistida por computadora. MIL3ID aborda las mejores prácticas en el aprendizaje de imágenes médicas con escasez de etiquetas e imperfección de datos. Los artÃculos de LABELS presentan una variedad de enfoques para abordar un número limitado de etiquetas, desde el aprendizaje semisupervisado hasta el crowdsourcing. Nota de contenido: iMIMIC 2020 -- Assessing attribution maps for explaining CNN-based vertebral fracture classifiers -- Projective Latent Interventions for Understanding and Fine-tuning Classifiers -- Interpretable CNN Pruning for Preserving Scale-Covariant Features in Medical Imaging -- Improving the Performance and Explainability of Mammogram Classifiers with Local Annotations -- Improving Interpretability for Computer-aided Diagnosis tools on Whole Slide Imaging with Multiple Instance Learning and Gradient-based Explanations -- Explainable Disease Classification via weakly-supervised segmentation -- Reliable Saliency Maps for Weakly-Supervised Localization of Disease Patterns -- Explainability for regression CNN in fetal head circumference estimation from ultrasound images -- MIL3ID 2020 -- Recovering the Imperfect: Cell Segmentation in the Presence of Dynamically Localized Proteins -- Semi-supervised Instance Segmentation with a Learned Shape Prior -- COMe-SEE: Cross-Modality Semantic Embedding Ensemble for Generalized Zero-Shot Diagnosis of Chest Radiographs -- Semi-supervised Machine Learning with MixMatch and Equivalence Classes -- Non-contrast CT Liver Segmentation using CycleGAN Data Augmentation from Contrast Enhanced CT -- Uncertainty Estimation in Medical Image Localization: Towards Robust Anterior Thalamus Targeting for Deep Brain Stimulation -- A Case Study of Transfer of Lesion-Knowledge -- Transfer Learning With Joint Optimization for Label-Efficient Medical Image Anomaly Detection -- Unsupervised Wasserstein Distance Guided Domain Adaptation for 3D Multi-Domain Liver Segmentation -- HydraMix-Net: A Deep Multi-task Semi-supervised Learning Approach for Cell Detection and Classification -- Semi-supervised classification of chest radiographs -- LABELS 2020 -- Risk of training diagnostic algorithms on data with demographic bias -- Semi-Weakly Supervised Learning for Prostate Cancer Image Classification with Teacher-Student Deep Convolutional Networks -- Are pathologist-defined labels reproducible? Comparison of the TUPAC16 mitotic figure dataset with an alternative set of labels -- EasierPath: An Open-source Tool for Human-in-the-loop Deep Learning of Renal Pathology -- Imbalance-Effective Active Learning in Nucleus, Lymphocyte and Plasma Cell Detection -- Labeling of Multilingual Breast MRI Reports -- Predicting Scores of Medical Imaging Segmentation Methods with Meta-Learning -- Labelling imaging datasets on the basis of neuroradiology reports: a validation study -- Semi-Supervised Learning for Instrument Detection with a Class Imbalanced Dataset -- Paying Per-label Attention for Multi-label Extraction from Radiology Reports. Tipo de medio : Computadora Summary : This book constitutes the refereed joint proceedings of the Third International Workshop on Interpretability of Machine Intelligence in Medical Image Computing, iMIMIC 2020, the Second International Workshop on Medical Image Learning with Less Labels and Imperfect Data, MIL3ID 2020, and the 5th International Workshop on Large-scale Annotation of Biomedical data and Expert Label Synthesis, LABELS 2020, held in conjunction with the 23rd International Conference on Medical Imaging and Computer-Assisted Intervention, MICCAI 2020, in Lima, Peru, in October 2020. The 8 full papers presented at iMIMIC 2020, 11 full papers to MIL3ID 2020, and the 10 full papers presented at LABELS 2020 were carefully reviewed and selected from 16 submissions to iMIMIC, 28 to MIL3ID, and 12 submissions to LABELS. The iMIMIC papers focus on introducing the challenges and opportunities related to the topic of interpretability of machine learning systems in the context of medical imaging and computer assisted intervention. MIL3ID deals with best practices in medical image learning with label scarcity and data imperfection. The LABELS papers present a variety of approaches for dealing with a limited number of labels, from semi-supervised learning to crowdsourcing. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Interpretable and Annotation-Efficient Learning for Medical Image Computing : Third International Workshop, iMIMIC 2020, Second International Workshop, MIL3ID 2020, and 5th International Workshop, LABELS 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings / [documento electrónico] / Cardoso, Jaime, ; Van Nguyen, Hien, ; Heller, Nicholas, ; Henriques Abreu, Pedro, ; Isgum, Ivana, ; Silva, Wilson, ; Cruz, Ricardo, ; Pereira Amorim, Jose, ; Patel, Vishal, ; Roysam, Badri, ; Zhou, Kevin, ; Jiang, Steve, ; Le, Ngan, ; Luu, Khoa, ; Sznitman, Raphael, ; Cheplygina, Veronika, ; Mateus, Diana, ; Trucco, Emanuele, ; Abbasi, Samaneh, . - 1 ed. . - [s.l.] : Springer, 2020 . - XVII, 292 p. 109 ilustraciones.
ISBN : 978-3-030-61166-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Visión por computador Inteligencia artificial BiologÃa Computacional y de Sistemas Aplicación informática en ciencias sociales y del comportamiento. Reconocimiento de patrones automatizado Sistemas de reconocimiento de patrones Bioinformática Ciencias sociales Procesamiento de datos Clasificación: 006.3 Resumen: Este libro constituye las actas conjuntas arbitradas del Tercer Taller Internacional sobre Interpretabilidad de la Inteligencia Artificial en Computación de Imágenes Médicas, iMIMIC 2020, el Segundo Taller Internacional sobre Aprendizaje de Imágenes Médicas con Menos Etiquetas y Datos Imperfectos, MIL3ID 2020, y el Quinto Taller Internacional sobre Aprendizaje de Imágenes Médicas con Menos Etiquetas y Datos Imperfectos, MIL3ID 2020. Anotación a escala de datos biomédicos y sÃntesis de etiquetas de expertos, LABELS 2020, celebrada junto con la 23.ª Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2020, en Lima, Perú, en octubre de 2020. Los 8 artÃculos completos presentados en iMIMIC 2020, 11 artÃculos completos para MIL3ID 2020 y los 10 artÃculos completos presentados en LABELS 2020 fueron cuidadosamente revisados ​​y seleccionados entre 16 presentaciones para iMIMIC, 28 para MIL3ID y 12 presentaciones para LABELS. Los artÃculos de iMIMIC se centran en presentar los desafÃos y oportunidades relacionados con el tema de la interpretabilidad de los sistemas de aprendizaje automático en el contexto de las imágenes médicas y la intervención asistida por computadora. MIL3ID aborda las mejores prácticas en el aprendizaje de imágenes médicas con escasez de etiquetas e imperfección de datos. Los artÃculos de LABELS presentan una variedad de enfoques para abordar un número limitado de etiquetas, desde el aprendizaje semisupervisado hasta el crowdsourcing. Nota de contenido: iMIMIC 2020 -- Assessing attribution maps for explaining CNN-based vertebral fracture classifiers -- Projective Latent Interventions for Understanding and Fine-tuning Classifiers -- Interpretable CNN Pruning for Preserving Scale-Covariant Features in Medical Imaging -- Improving the Performance and Explainability of Mammogram Classifiers with Local Annotations -- Improving Interpretability for Computer-aided Diagnosis tools on Whole Slide Imaging with Multiple Instance Learning and Gradient-based Explanations -- Explainable Disease Classification via weakly-supervised segmentation -- Reliable Saliency Maps for Weakly-Supervised Localization of Disease Patterns -- Explainability for regression CNN in fetal head circumference estimation from ultrasound images -- MIL3ID 2020 -- Recovering the Imperfect: Cell Segmentation in the Presence of Dynamically Localized Proteins -- Semi-supervised Instance Segmentation with a Learned Shape Prior -- COMe-SEE: Cross-Modality Semantic Embedding Ensemble for Generalized Zero-Shot Diagnosis of Chest Radiographs -- Semi-supervised Machine Learning with MixMatch and Equivalence Classes -- Non-contrast CT Liver Segmentation using CycleGAN Data Augmentation from Contrast Enhanced CT -- Uncertainty Estimation in Medical Image Localization: Towards Robust Anterior Thalamus Targeting for Deep Brain Stimulation -- A Case Study of Transfer of Lesion-Knowledge -- Transfer Learning With Joint Optimization for Label-Efficient Medical Image Anomaly Detection -- Unsupervised Wasserstein Distance Guided Domain Adaptation for 3D Multi-Domain Liver Segmentation -- HydraMix-Net: A Deep Multi-task Semi-supervised Learning Approach for Cell Detection and Classification -- Semi-supervised classification of chest radiographs -- LABELS 2020 -- Risk of training diagnostic algorithms on data with demographic bias -- Semi-Weakly Supervised Learning for Prostate Cancer Image Classification with Teacher-Student Deep Convolutional Networks -- Are pathologist-defined labels reproducible? Comparison of the TUPAC16 mitotic figure dataset with an alternative set of labels -- EasierPath: An Open-source Tool for Human-in-the-loop Deep Learning of Renal Pathology -- Imbalance-Effective Active Learning in Nucleus, Lymphocyte and Plasma Cell Detection -- Labeling of Multilingual Breast MRI Reports -- Predicting Scores of Medical Imaging Segmentation Methods with Meta-Learning -- Labelling imaging datasets on the basis of neuroradiology reports: a validation study -- Semi-Supervised Learning for Instrument Detection with a Class Imbalanced Dataset -- Paying Per-label Attention for Multi-label Extraction from Radiology Reports. Tipo de medio : Computadora Summary : This book constitutes the refereed joint proceedings of the Third International Workshop on Interpretability of Machine Intelligence in Medical Image Computing, iMIMIC 2020, the Second International Workshop on Medical Image Learning with Less Labels and Imperfect Data, MIL3ID 2020, and the 5th International Workshop on Large-scale Annotation of Biomedical data and Expert Label Synthesis, LABELS 2020, held in conjunction with the 23rd International Conference on Medical Imaging and Computer-Assisted Intervention, MICCAI 2020, in Lima, Peru, in October 2020. The 8 full papers presented at iMIMIC 2020, 11 full papers to MIL3ID 2020, and the 10 full papers presented at LABELS 2020 were carefully reviewed and selected from 16 submissions to iMIMIC, 28 to MIL3ID, and 12 submissions to LABELS. The iMIMIC papers focus on introducing the challenges and opportunities related to the topic of interpretability of machine learning systems in the context of medical imaging and computer assisted intervention. MIL3ID deals with best practices in medical image learning with label scarcity and data imperfection. The LABELS papers present a variety of approaches for dealing with a limited number of labels, from semi-supervised learning to crowdsourcing. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
