Autor Roth, Holger
|
|
Documentos disponibles escritos por este autor (2)
Hacer una sugerencia Refinar búsquedaClinical Image-Based Procedures, Distributed and Collaborative Learning, Artificial Intelligence for Combating COVID-19 and Secure and Privacy-Preserving Machine Learning / Oyarzun Laura, Cristina ; Cardoso, M. Jorge ; Rosen-Zvi, Michal ; Kaissis, Georgios ; Linguraru, Marius George ; Shekhar, Raj ; Wesarg, Stefan ; Erdt, Marius ; Drechsler, Klaus ; Chen, Yufei ; Albarqouni, Shadi ; Bakas, Spyridon ; Landman, Bennett ; Rieke, Nicola ; Roth, Holger ; Li, Xiaoxiao ; Xu, Daguang ; Gabrani, Maria ; Konukoglu, Ender ; Guindy, Michal ; Rueckert, Daniel ; Ziller, Alexander ; Usynin, Dmitrii ; Passerat-Palmbach, Jonathan
Título : Clinical Image-Based Procedures, Distributed and Collaborative Learning, Artificial Intelligence for Combating COVID-19 and Secure and Privacy-Preserving Machine Learning : 10th Workshop, CLIP 2021, Second Workshop, DCL 2021, First Workshop, LL-COVID19 2021, and First Workshop and Tutorial, PPML 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, September 27 and October 1, 2021, Proceedings Tipo de documento: documento electrónico Autores: Oyarzun Laura, Cristina, ; Cardoso, M. Jorge, ; Rosen-Zvi, Michal, ; Kaissis, Georgios, ; Linguraru, Marius George, ; Shekhar, Raj, ; Wesarg, Stefan, ; Erdt, Marius, ; Drechsler, Klaus, ; Chen, Yufei, ; Albarqouni, Shadi, ; Bakas, Spyridon, ; Landman, Bennett, ; Rieke, Nicola, ; Roth, Holger, ; Li, Xiaoxiao, ; Xu, Daguang, ; Gabrani, Maria, ; Konukoglu, Ender, ; Guindy, Michal, ; Rueckert, Daniel, ; Ziller, Alexander, ; Usynin, Dmitrii, ; Passerat-Palmbach, Jonathan, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XXV, 190 p. 78 ilustraciones, 67 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-90874-4 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 Red de computadoras Ciencias sociales Redes de comunicación informática Aplicación informática en ciencias sociales y del comportamiento Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas arbitradas del décimo taller internacional sobre procedimientos clínicos basados en imágenes, CLIP 2021, segundo taller MICCAI sobre aprendizaje distribuido y colaborativo, DCL 2021, primer taller MICCAI, LL-COVID19, primer aprendizaje automático seguro y que preserva la privacidad para Taller y tutorial sobre imágenes médicas, PPML 2021, celebrado junto con MICCAI 2021, en octubre de 2021. Estaba previsto que los talleres se llevaran a cabo en Estrasburgo, Francia, pero se llevaron a cabo virtualmente debido a la pandemia de COVID-19. CLIP 2021 aceptó 9 artículos de las 13 presentaciones recibidas. Se centra en modelos holísticos de pacientes para una atención sanitaria personalizada con el objetivo de acercar los métodos de investigación básica a la práctica clínica. Para DCL 2021, se aceptó para publicación 4 artículos de 7 presentaciones. Se ocupan del aprendizaje automático aplicado a problemas en los que los datos no se pueden almacenar en bases de datos centralizadas y la privacidad de la información es una prioridad. LL-COVID19 2021 aceptó 2 artículos de 3 presentados que trataban sobre el uso de modelos de IA en la práctica clínica. Y para PPML 2021, se aceptaron 2 artículos de un total de 6 presentaciones, que exploraban el uso de técnicas de privacidad en la comunidad de imágenes médicas. Nota de contenido: Intestine segmentation with small computational cost for diagnosis assistance of ileus and intestinal obstruction -- Generation of Patient-Specific, Ligamentoskeletal, Finite Element Meshes for Scoliosis Correction Planning -- Bayesian Graph Neural Networks For EEG-based Emotion Recognition -- ViTBIS: Vision Transformer for Biomedical Image Segmentation -- Attention-guided pancreatic duct segmentation from abdominal CT volumes -- Development of the Next Generation Hand-Held Doppler With Waveform Phasicity Predictive Capabilities Using Deep Learning -- Learning from mistakes: an error-driven mechanism to improve segmentation performance based on expert feedback -- TMJOAI: an artificial web-based intelligence tool for early diagnosis of the Temporomandibular Joint Osteoarthritis -- COVID-19 Infection Segmentation from Chest CT Images Based on Scale Uncertainty -- Multi-task Federated Learning for Heterogeneous Pancreas Segmentation -- Federated Learning in the Cloud for Analysis of Medical Images- Experience with Open Source Frameworks -- On the Fairness of Swarm Learning in Skin Lesion Classification -- Lessons learned from the development and application of medical imaging-based AI technologies for combating COVID-19: why discuss, what next -- The Role of Pleura and Adipose in Lung Ultrasound AI -- DuCN: Dual-children Network for Medical Diagnosis and Similar Case Recommendation towards COVID-19 -- Data imputation and reconstruction of distributed Parkinson's disease clinical assessments: A comparative evaluation of two aggregation algorithms -- Defending Medical Image Diagnostics against Privacy Attacks using Generative Methods: Application to Retinal Diagnostics. 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 Clinical Image-Based Procedures, Distributed and Collaborative Learning, Artificial Intelligence for Combating COVID-19 and Secure and Privacy-Preserving Machine Learning : 10th Workshop, CLIP 2021, Second Workshop, DCL 2021, First Workshop, LL-COVID19 2021, and First Workshop and Tutorial, PPML 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, September 27 and October 1, 2021, Proceedings [documento electrónico] / Oyarzun Laura, Cristina, ; Cardoso, M. Jorge, ; Rosen-Zvi, Michal, ; Kaissis, Georgios, ; Linguraru, Marius George, ; Shekhar, Raj, ; Wesarg, Stefan, ; Erdt, Marius, ; Drechsler, Klaus, ; Chen, Yufei, ; Albarqouni, Shadi, ; Bakas, Spyridon, ; Landman, Bennett, ; Rieke, Nicola, ; Roth, Holger, ; Li, Xiaoxiao, ; Xu, Daguang, ; Gabrani, Maria, ; Konukoglu, Ender, ; Guindy, Michal, ; Rueckert, Daniel, ; Ziller, Alexander, ; Usynin, Dmitrii, ; Passerat-Palmbach, Jonathan, . - 1 ed. . - [s.l.] : Springer, 2021 . - XXV, 190 p. 78 ilustraciones, 67 ilustraciones en color.
ISBN : 978-3-030-90874-4
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 Red de computadoras Ciencias sociales Redes de comunicación informática Aplicación informática en ciencias sociales y del comportamiento Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas arbitradas del décimo taller internacional sobre procedimientos clínicos basados en imágenes, CLIP 2021, segundo taller MICCAI sobre aprendizaje distribuido y colaborativo, DCL 2021, primer taller MICCAI, LL-COVID19, primer aprendizaje automático seguro y que preserva la privacidad para Taller y tutorial sobre imágenes médicas, PPML 2021, celebrado junto con MICCAI 2021, en octubre de 2021. Estaba previsto que los talleres se llevaran a cabo en Estrasburgo, Francia, pero se llevaron a cabo virtualmente debido a la pandemia de COVID-19. CLIP 2021 aceptó 9 artículos de las 13 presentaciones recibidas. Se centra en modelos holísticos de pacientes para una atención sanitaria personalizada con el objetivo de acercar los métodos de investigación básica a la práctica clínica. Para DCL 2021, se aceptó para publicación 4 artículos de 7 presentaciones. Se ocupan del aprendizaje automático aplicado a problemas en los que los datos no se pueden almacenar en bases de datos centralizadas y la privacidad de la información es una prioridad. LL-COVID19 2021 aceptó 2 artículos de 3 presentados que trataban sobre el uso de modelos de IA en la práctica clínica. Y para PPML 2021, se aceptaron 2 artículos de un total de 6 presentaciones, que exploraban el uso de técnicas de privacidad en la comunidad de imágenes médicas. Nota de contenido: Intestine segmentation with small computational cost for diagnosis assistance of ileus and intestinal obstruction -- Generation of Patient-Specific, Ligamentoskeletal, Finite Element Meshes for Scoliosis Correction Planning -- Bayesian Graph Neural Networks For EEG-based Emotion Recognition -- ViTBIS: Vision Transformer for Biomedical Image Segmentation -- Attention-guided pancreatic duct segmentation from abdominal CT volumes -- Development of the Next Generation Hand-Held Doppler With Waveform Phasicity Predictive Capabilities Using Deep Learning -- Learning from mistakes: an error-driven mechanism to improve segmentation performance based on expert feedback -- TMJOAI: an artificial web-based intelligence tool for early diagnosis of the Temporomandibular Joint Osteoarthritis -- COVID-19 Infection Segmentation from Chest CT Images Based on Scale Uncertainty -- Multi-task Federated Learning for Heterogeneous Pancreas Segmentation -- Federated Learning in the Cloud for Analysis of Medical Images- Experience with Open Source Frameworks -- On the Fairness of Swarm Learning in Skin Lesion Classification -- Lessons learned from the development and application of medical imaging-based AI technologies for combating COVID-19: why discuss, what next -- The Role of Pleura and Adipose in Lung Ultrasound AI -- DuCN: Dual-children Network for Medical Diagnosis and Similar Case Recommendation towards COVID-19 -- Data imputation and reconstruction of distributed Parkinson's disease clinical assessments: A comparative evaluation of two aggregation algorithms -- Defending Medical Image Diagnostics against Privacy Attacks using Generative Methods: Application to Retinal Diagnostics. 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 : Second MICCAI Workshop, DART 2020, and First MICCAI Workshop, DCL 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings Tipo de documento: documento electrónico Autores: Albarqouni, Shadi, ; Bakas, Spyridon, ; Kamnitsas, Konstantinos, ; Cardoso, M. Jorge, ; Landman, Bennett, ; Li, Wenqi, ; Milletari, Fausto, ; Rieke, Nicola, ; Roth, Holger, ; Xu, Daguang, ; Xu, Ziyue, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIII, 212 p. 86 ilustraciones, 67 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-60548-3 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 Ciencias sociales Aprendizaje automático Software de la aplicacion Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Aplicaciones informáticas y de sistemas de información Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas arbitradas del Segundo Taller MICCAI sobre Adaptación de Dominio y Transferencia de Representación, DART 2020, y el Primer Taller MICCAI sobre Aprendizaje Distribuido y Colaborativo, DCL 2020, celebrado junto con MICCAI 2020 en octubre de 2020. Se planeó que la conferencia se llevará a cabo en Lima, Perú, pero cambió a un formato en línea debido a la pandemia de Coronavirus. Para DART 2020, se aceptaron 12 artículos completos de 18 presentaciones. Se ocupan de avances metodológicos e ideas que pueden mejorar la aplicabilidad de los enfoques de aprendizaje automático (ML)/aprendizaje profundo (DL) en entornos clínicos haciéndolos sólidos y consistentes en diferentes dominios. Para DCL 2020, se aceptaron los 8 artículos incluidos en este libro de un total de 12 presentaciones. Se centran en la comparación, evaluación y discusión de avances metodológicos e ideas prácticas sobre el aprendizaje automático aplicado a problemas donde los datos no se pueden almacenar en bases de datos centralizadas; donde la privacidad de la información es una prioridad; cuando sea necesario ofrecer garantías sólidas sobre la cantidad y la naturaleza de la información privada que el modelo puede revelar como resultado de la capacitación; y donde es necesario orquestar, gestionar y dirigir grupos de nodos que participan en la misma tarea de aprendizaje. Nota de contenido: a-Unet++:A Data-driven Neural Network Architecture for Medical Image Segmentation -- DAPR-Net: Domain Adaptive Predicting-refinement Network for Retinal Vessel Segmentation -- Augmented Radiology: Patient-wise Feature Transfer Model for Glioma Grading -- Attention-Guided Deep Domain Adaptation for Brain Dementia Identication with Multi-Site Neuroimaging Data -- Registration of Histopathology Images Using Self Supervised Fine Grained Feature Maps -- Cross-Modality Segmentation by Self-Supervised Semantic Alignment in Disentangled Content Space -- Semi-supervised Pathology Segmentation with Disentangled Representations -- Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging -- Parts2Whole: Self-supervised Contrastive Learning via Reconstruction -- Cross-View Label Transfer in Knee MR Segmentation Using Iterative Context Learning -- Continual Class Incremental Learning for CT Thoracic Segmentation -- First U-Net Layers Contain More Domain SpecificInformation Than The Last Ones -- Siloed Federated Learning for Multi-Centric Histopathology Datasets -- On the Fairness of Privacy-Preserving Representations in Medical Applications -- Inverse Distance Aggregation for Federated Learning with Non-IID Data -- Weight Erosion: an Update Aggregation Scheme for Personalized Collaborative Machine Learning -- Federated Gradient Averaging for Multi-Site Training with Momentum-Based Optimizers -- Federated Learning for Breast Density Classification: A Real-World Implementation -- Automated Pancreas Segmentation Using Multi-institutional Collaborative Deep Learning -- Fed-BioMed: A general open-source frontend framework for federated learning in healthcare. 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 Second MICCAI Workshop, DART 2020, and First MICCAI Workshop, DCL 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings [documento electrónico] / Albarqouni, Shadi, ; Bakas, Spyridon, ; Kamnitsas, Konstantinos, ; Cardoso, M. Jorge, ; Landman, Bennett, ; Li, Wenqi, ; Milletari, Fausto, ; Rieke, Nicola, ; Roth, Holger, ; Xu, Daguang, ; Xu, Ziyue, . - 1 ed. . - [s.l.] : Springer, 2020 . - XIII, 212 p. 86 ilustraciones, 67 ilustraciones en color.
ISBN : 978-3-030-60548-3
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 Ciencias sociales Aprendizaje automático Software de la aplicacion Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Aplicaciones informáticas y de sistemas de información Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas arbitradas del Segundo Taller MICCAI sobre Adaptación de Dominio y Transferencia de Representación, DART 2020, y el Primer Taller MICCAI sobre Aprendizaje Distribuido y Colaborativo, DCL 2020, celebrado junto con MICCAI 2020 en octubre de 2020. Se planeó que la conferencia se llevará a cabo en Lima, Perú, pero cambió a un formato en línea debido a la pandemia de Coronavirus. Para DART 2020, se aceptaron 12 artículos completos de 18 presentaciones. Se ocupan de avances metodológicos e ideas que pueden mejorar la aplicabilidad de los enfoques de aprendizaje automático (ML)/aprendizaje profundo (DL) en entornos clínicos haciéndolos sólidos y consistentes en diferentes dominios. Para DCL 2020, se aceptaron los 8 artículos incluidos en este libro de un total de 12 presentaciones. Se centran en la comparación, evaluación y discusión de avances metodológicos e ideas prácticas sobre el aprendizaje automático aplicado a problemas donde los datos no se pueden almacenar en bases de datos centralizadas; donde la privacidad de la información es una prioridad; cuando sea necesario ofrecer garantías sólidas sobre la cantidad y la naturaleza de la información privada que el modelo puede revelar como resultado de la capacitación; y donde es necesario orquestar, gestionar y dirigir grupos de nodos que participan en la misma tarea de aprendizaje. Nota de contenido: a-Unet++:A Data-driven Neural Network Architecture for Medical Image Segmentation -- DAPR-Net: Domain Adaptive Predicting-refinement Network for Retinal Vessel Segmentation -- Augmented Radiology: Patient-wise Feature Transfer Model for Glioma Grading -- Attention-Guided Deep Domain Adaptation for Brain Dementia Identication with Multi-Site Neuroimaging Data -- Registration of Histopathology Images Using Self Supervised Fine Grained Feature Maps -- Cross-Modality Segmentation by Self-Supervised Semantic Alignment in Disentangled Content Space -- Semi-supervised Pathology Segmentation with Disentangled Representations -- Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging -- Parts2Whole: Self-supervised Contrastive Learning via Reconstruction -- Cross-View Label Transfer in Knee MR Segmentation Using Iterative Context Learning -- Continual Class Incremental Learning for CT Thoracic Segmentation -- First U-Net Layers Contain More Domain SpecificInformation Than The Last Ones -- Siloed Federated Learning for Multi-Centric Histopathology Datasets -- On the Fairness of Privacy-Preserving Representations in Medical Applications -- Inverse Distance Aggregation for Federated Learning with Non-IID Data -- Weight Erosion: an Update Aggregation Scheme for Personalized Collaborative Machine Learning -- Federated Gradient Averaging for Multi-Site Training with Momentum-Based Optimizers -- Federated Learning for Breast Density Classification: A Real-World Implementation -- Automated Pancreas Segmentation Using Multi-institutional Collaborative Deep Learning -- Fed-BioMed: A general open-source frontend framework for federated learning in healthcare. 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
