Autor Carneiro, Gustavo
|
|
Documentos disponibles escritos por este autor (7)
Hacer una sugerencia Refinar búsqueda14th Asian Conference on Computer Vision, Perth, Australia, December 2–6, 2018, Revised Selected Papers / Carneiro, Gustavo ; You, Shaodi
Título : 14th Asian Conference on Computer Vision, Perth, Australia, December 2–6, 2018, Revised Selected Papers Tipo de documento: documento electrónico Autores: Carneiro, Gustavo, ; You, Shaodi, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XV, 541 p. 260 ilustraciones, 230 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-21074-8 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 Inteligencia artificial Ingeniería Informática Red de computadoras Ordenadores Ingeniería Informática y Redes Hardware de la computadora Índice Dewey: 006.37 Visión artificial Resumen: Las actas de este taller de LNCS, ACCV 2018, contienen artículos cuidadosamente revisados y seleccionados de 11 talleres, cada uno con diferentes tipos o programas: Desafío de comprensión y modelado de escenas (SUMO), métodos de aprendizaje e inferencia para imágenes de alto rendimiento (LIMHPI), comprensión de atención/intención. (AIU), Desafío de identificación de exhibiciones de museos (Open MIC) para adaptación de dominios y aprendizaje de pocas tomas, RGB-D: detección y comprensión mediante color y profundidad combinados, reconstrucción 3D densa para escenas dinámicas, estética de IA en arte y medios (AIAM) , Lectura robusta (IWRR), Inteligencia artificial para análisis de imágenes de retina (AIRIA), Combinación de visión y lenguaje, Visión artificial avanzada para aplicaciones de la vida real y de relevancia industrial (AMV). Nota de contenido: Scene Understanding and Modelling (SUMO) Challenge -- Learning and Inference Methods for High Performance Imaging (LIMHPI) -- Attention/Intention Understanding (AIU) -- Museum Exhibit Identification Challenge (Open MIC) for Domain Adaptation and Few-Shot Learning -- RGB-D - Sensing and Understanding via Combined Colour and Depth -- Dense 3D Reconstruction for Dynamic Scenes -- AI Aesthetics in Art and Media (AIAM) -- Robust Reading (IWRR), Artificial Intelligence for Retinal Image Analysis (AIRIA) -- Combining Vision and Language, Advanced Machine Vision for Real-life and Industrially Relevant Applications (AMV). 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 14th Asian Conference on Computer Vision, Perth, Australia, December 2–6, 2018, Revised Selected Papers [documento electrónico] / Carneiro, Gustavo, ; You, Shaodi, . - 1 ed. . - [s.l.] : Springer, 2019 . - XV, 541 p. 260 ilustraciones, 230 ilustraciones en color.
ISBN : 978-3-030-21074-8
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 Inteligencia artificial Ingeniería Informática Red de computadoras Ordenadores Ingeniería Informática y Redes Hardware de la computadora Índice Dewey: 006.37 Visión artificial Resumen: Las actas de este taller de LNCS, ACCV 2018, contienen artículos cuidadosamente revisados y seleccionados de 11 talleres, cada uno con diferentes tipos o programas: Desafío de comprensión y modelado de escenas (SUMO), métodos de aprendizaje e inferencia para imágenes de alto rendimiento (LIMHPI), comprensión de atención/intención. (AIU), Desafío de identificación de exhibiciones de museos (Open MIC) para adaptación de dominios y aprendizaje de pocas tomas, RGB-D: detección y comprensión mediante color y profundidad combinados, reconstrucción 3D densa para escenas dinámicas, estética de IA en arte y medios (AIAM) , Lectura robusta (IWRR), Inteligencia artificial para análisis de imágenes de retina (AIRIA), Combinación de visión y lenguaje, Visión artificial avanzada para aplicaciones de la vida real y de relevancia industrial (AMV). Nota de contenido: Scene Understanding and Modelling (SUMO) Challenge -- Learning and Inference Methods for High Performance Imaging (LIMHPI) -- Attention/Intention Understanding (AIU) -- Museum Exhibit Identification Challenge (Open MIC) for Domain Adaptation and Few-Shot Learning -- RGB-D - Sensing and Understanding via Combined Colour and Depth -- Dense 3D Reconstruction for Dynamic Scenes -- AI Aesthetics in Art and Media (AIAM) -- Robust Reading (IWRR), Artificial Intelligence for Retinal Image Analysis (AIRIA) -- Combining Vision and Language, Advanced Machine Vision for Real-life and Industrially Relevant Applications (AMV). 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 : 6th Joint International Workshops, CVII-STENT 2017 and Second International Workshop, LABELS 2017, Held in Conjunction with MICCAI 2017, Québec City, QC, Canada, September 10–14, 2017, Proceedings Tipo de documento: documento electrónico Autores: Cardoso, M. Jorge, ; Arbel, Tal, ; Lee, Su-Lin, ; Cheplygina, Veronika, ; Balocco, Simone, ; Mateus, Diana, ; Zahnd, Guillaume, ; Maier-Hein, Lena, ; Demirci, Stefanie, ; Granger, Eric, ; Duong, Luc, ; Carbonneau, Marc-André, ; Albarqouni, Shadi, ; Carneiro, Gustavo, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XVI, 166 p. 73 ilustraciones ISBN/ISSN/DL: 978-3-319-67534-3 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 Ingeniería Informática y Redes Informática de la Salud Red informática Ingeniería Informática Inteligencia artificial Informática Médica Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas conjuntas arbitradas del 6º Taller Internacional Conjunto sobre Computación y Visualización para Imágenes Intravasculares y Colocación de Stents Asistidos por Computadora, CVII-STENT 2017, y el Segundo Taller Internacional sobre Anotación a Gran Escala de Datos Biomédicos y Síntesis de Etiquetas Expertas, LABELS 2017 , celebrada junto con la 20.ª Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2017, en la ciudad de Québec, QC, Canadá, en septiembre de 2017. Los 6 artículos completos presentados en CVII-STENT 2017 y los 11 artículos completos presentados en LABELS 2017 fueron cuidadosamente revisadas y seleccionadas. Los artículos CVII-STENT presentan lo último en imágenes, tratamiento e intervención asistida por computadora en el campo de las intervenciones endovasculares. Los artículos de LABELS presentan una variedad de enfoques para abordar pocas etiquetas, desde el aprendizaje por transferencia hasta el crowdsourcing. 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 6th Joint International Workshops, CVII-STENT 2017 and Second International Workshop, LABELS 2017, Held in Conjunction with MICCAI 2017, Québec City, QC, Canada, September 10–14, 2017, Proceedings [documento electrónico] / Cardoso, M. Jorge, ; Arbel, Tal, ; Lee, Su-Lin, ; Cheplygina, Veronika, ; Balocco, Simone, ; Mateus, Diana, ; Zahnd, Guillaume, ; Maier-Hein, Lena, ; Demirci, Stefanie, ; Granger, Eric, ; Duong, Luc, ; Carbonneau, Marc-André, ; Albarqouni, Shadi, ; Carneiro, Gustavo, . - 1 ed. . - [s.l.] : Springer, 2017 . - XVI, 166 p. 73 ilustraciones.
ISBN : 978-3-319-67534-3
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 Ingeniería Informática y Redes Informática de la Salud Red informática Ingeniería Informática Inteligencia artificial Informática Médica Índice Dewey: 006.37 Visión artificial Resumen: Este libro constituye las actas conjuntas arbitradas del 6º Taller Internacional Conjunto sobre Computación y Visualización para Imágenes Intravasculares y Colocación de Stents Asistidos por Computadora, CVII-STENT 2017, y el Segundo Taller Internacional sobre Anotación a Gran Escala de Datos Biomédicos y Síntesis de Etiquetas Expertas, LABELS 2017 , celebrada junto con la 20.ª Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2017, en la ciudad de Québec, QC, Canadá, en septiembre de 2017. Los 6 artículos completos presentados en CVII-STENT 2017 y los 11 artículos completos presentados en LABELS 2017 fueron cuidadosamente revisadas y seleccionadas. Los artículos CVII-STENT presentan lo último en imágenes, tratamiento e intervención asistida por computadora en el campo de las intervenciones endovasculares. Los artículos de LABELS presentan una variedad de enfoques para abordar pocas etiquetas, desde el aprendizaje por transferencia hasta el crowdsourcing. 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 : Deep Learning and Convolutional Neural Networks for Medical Image Computing : Precision Medicine, High Performance and Large-Scale Datasets Tipo de documento: documento electrónico Autores: Lu, Le, ; Zheng, Yefeng, ; Carneiro, Gustavo, ; Yang, Lin, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XIII, 326 p. 117 ilustraciones, 100 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-42999-1 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 Inteligencia artificial Redes neuronales (Informática) Radiología Modelos matemáticos de procesos cognitivos y redes neuronales Índice Dewey: 006.37 Visión artificial Resumen: Este oportuno texto/referencia presenta una revisión detallada del estado del arte en enfoques de aprendizaje profundo para la detección y segmentación de objetos semánticos en la computación de imágenes médicas y la extracción de bases de datos de radiología a gran escala. Se presta especial atención a la aplicación de redes neuronales convolucionales, con la teoría respaldada por ejemplos prácticos. Temas y características: Destaca cómo el uso de redes neuronales profundas puede abordar nuevas preguntas y protocolos, así como mejorar los desafíos existentes en la computación de imágenes médicas. Analiza la reveladora experiencia de investigación y las opiniones del Dr. Ronald M. Summers en la computadora basada en imágenes médicas. Diagnóstico asistido y su interacción con el aprendizaje profundo Presenta una revisión exhaustiva de las últimas investigaciones y literatura sobre aprendizaje profundo para el análisis de imágenes médicas. Describe una variedad de métodos diferentes que utilizan el aprendizaje profundo para tareas de detección de objetos o puntos de referencia en imágenes médicas 2D y 3D. Examina una variada selección de técnicas para la segmentación semántica utilizando principios de aprendizaje profundo en imágenes médicas. Presenta un enfoque novedoso para la extracción profunda de texto e imágenes entrelazadas en una base de datos de imágenes de radiología a gran escala para la interpretación automatizada de imágenes. Este volumen pionero resultará invaluable para investigadores y estudiantes de posgrado. que deseen emplear modelos y representaciones de redes neuronales profundas para análisis de imágenes médicas y aplicaciones de imágenes médicas. El Dr. Le Lu es científico del Departamento de Radiología y Ciencias de la Imagen del Centro Clínico de los Institutos Nacionales de Salud, Bethesda, MD, EE. UU. El Dr. Yefeng Zheng es científico senior del Siemens Healthcare Technology Center, Princeton, Nueva Jersey, EE. UU. Dr. Gustavo Carneiro es profesor asociado en la Facultad de Ciencias de la Computación de la Universidad de Adelaida, Australia. El Dr. Lin Yang es profesor asociado en el Departamento de Ingeniería Biomédica de la Universidad de Florida, Gainesville, FL, EE. UU. Nota de contenido: Part I: Review -- Chapter 1. Deep Learning and Computer-Aided Diagnosis for Medical Image Processing: A Personal Perspective -- Chapter 2. Review of Deep Learning Methods in Mammography, Cardiovascular and Microscopy Image Analysis -- Part II: Detection and Localization -- Chapter 3. Efficient False-Positive Reduction in Computer-Aided Detection Using Convolutional Neural Networks and Random View Aggregation -- Chapter 4. Robust Landmark Detection in Volumetric Data with Efficient 3D Deep Learning -- Chapter 5. A Novel Cell Detection Method Using Deep Convolutional Neural Network and Maximum-Weight Independent Set -- Chapter 6. Deep Learning for Histopathological Image Analysis: Towards Computerized Diagnosis on Cancers -- Chapter 7. Interstitial Lung Diseases via Deep Convolutional Neural Networks: Segmentation Label Propagation, Unordered Pooling and Cross-Dataset Learning -- Chapter 8. Three Aspects on Using Convolutional Neural Networks for Computer-Aided Detection in Medical Imaging -- Chapter 9. Cell Detection with Deep Learning Accelerated by Sparse Kernel -- Chapter 10. Fully Convolutional Networks in Medical Imaging: Applications to Image Enhancement and Recognition -- Chapter 11. On the Necessity of Fine-Tuned Convolutional Neural Networks for Medical Imaging -- Part III: Segmentation -- Chapter 12. Fully Automated Segmentation Using Distance Regularized Level Set and Deep-Structured Learning and Inference -- Chapter 13. Combining Deep Learning and Structured Prediction for Segmenting Masses in Mammograms -- Chapter 14. Deep Learning Based Automatic Segmentation of Pathological Kidney in CT: Local vs. Global Image Context -- Chapter 15. Robust Cell Detection and Segmentation in Histopathological Images using Sparse Reconstruction and Stacked Denoising Autoencoders -- Chapter 16. Automatic Pancreas Segmentation Using Coarse-to-Fine Superpixel Labeling -- Part IV: Big Dataset and Text-Image Deep Mining -- Chapter 17. Interleaved Text/Image Deep Mining on a Large-Scale RadiologyImage Database. 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 Deep Learning and Convolutional Neural Networks for Medical Image Computing : Precision Medicine, High Performance and Large-Scale Datasets [documento electrónico] / Lu, Le, ; Zheng, Yefeng, ; Carneiro, Gustavo, ; Yang, Lin, . - 1 ed. . - [s.l.] : Springer, 2017 . - XIII, 326 p. 117 ilustraciones, 100 ilustraciones en color.
ISBN : 978-3-319-42999-1
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 Inteligencia artificial Redes neuronales (Informática) Radiología Modelos matemáticos de procesos cognitivos y redes neuronales Índice Dewey: 006.37 Visión artificial Resumen: Este oportuno texto/referencia presenta una revisión detallada del estado del arte en enfoques de aprendizaje profundo para la detección y segmentación de objetos semánticos en la computación de imágenes médicas y la extracción de bases de datos de radiología a gran escala. Se presta especial atención a la aplicación de redes neuronales convolucionales, con la teoría respaldada por ejemplos prácticos. Temas y características: Destaca cómo el uso de redes neuronales profundas puede abordar nuevas preguntas y protocolos, así como mejorar los desafíos existentes en la computación de imágenes médicas. Analiza la reveladora experiencia de investigación y las opiniones del Dr. Ronald M. Summers en la computadora basada en imágenes médicas. Diagnóstico asistido y su interacción con el aprendizaje profundo Presenta una revisión exhaustiva de las últimas investigaciones y literatura sobre aprendizaje profundo para el análisis de imágenes médicas. Describe una variedad de métodos diferentes que utilizan el aprendizaje profundo para tareas de detección de objetos o puntos de referencia en imágenes médicas 2D y 3D. Examina una variada selección de técnicas para la segmentación semántica utilizando principios de aprendizaje profundo en imágenes médicas. Presenta un enfoque novedoso para la extracción profunda de texto e imágenes entrelazadas en una base de datos de imágenes de radiología a gran escala para la interpretación automatizada de imágenes. Este volumen pionero resultará invaluable para investigadores y estudiantes de posgrado. que deseen emplear modelos y representaciones de redes neuronales profundas para análisis de imágenes médicas y aplicaciones de imágenes médicas. El Dr. Le Lu es científico del Departamento de Radiología y Ciencias de la Imagen del Centro Clínico de los Institutos Nacionales de Salud, Bethesda, MD, EE. UU. El Dr. Yefeng Zheng es científico senior del Siemens Healthcare Technology Center, Princeton, Nueva Jersey, EE. UU. Dr. Gustavo Carneiro es profesor asociado en la Facultad de Ciencias de la Computación de la Universidad de Adelaida, Australia. El Dr. Lin Yang es profesor asociado en el Departamento de Ingeniería Biomédica de la Universidad de Florida, Gainesville, FL, EE. UU. Nota de contenido: Part I: Review -- Chapter 1. Deep Learning and Computer-Aided Diagnosis for Medical Image Processing: A Personal Perspective -- Chapter 2. Review of Deep Learning Methods in Mammography, Cardiovascular and Microscopy Image Analysis -- Part II: Detection and Localization -- Chapter 3. Efficient False-Positive Reduction in Computer-Aided Detection Using Convolutional Neural Networks and Random View Aggregation -- Chapter 4. Robust Landmark Detection in Volumetric Data with Efficient 3D Deep Learning -- Chapter 5. A Novel Cell Detection Method Using Deep Convolutional Neural Network and Maximum-Weight Independent Set -- Chapter 6. Deep Learning for Histopathological Image Analysis: Towards Computerized Diagnosis on Cancers -- Chapter 7. Interstitial Lung Diseases via Deep Convolutional Neural Networks: Segmentation Label Propagation, Unordered Pooling and Cross-Dataset Learning -- Chapter 8. Three Aspects on Using Convolutional Neural Networks for Computer-Aided Detection in Medical Imaging -- Chapter 9. Cell Detection with Deep Learning Accelerated by Sparse Kernel -- Chapter 10. Fully Convolutional Networks in Medical Imaging: Applications to Image Enhancement and Recognition -- Chapter 11. On the Necessity of Fine-Tuned Convolutional Neural Networks for Medical Imaging -- Part III: Segmentation -- Chapter 12. Fully Automated Segmentation Using Distance Regularized Level Set and Deep-Structured Learning and Inference -- Chapter 13. Combining Deep Learning and Structured Prediction for Segmenting Masses in Mammograms -- Chapter 14. Deep Learning Based Automatic Segmentation of Pathological Kidney in CT: Local vs. Global Image Context -- Chapter 15. Robust Cell Detection and Segmentation in Histopathological Images using Sparse Reconstruction and Stacked Denoising Autoencoders -- Chapter 16. Automatic Pancreas Segmentation Using Coarse-to-Fine Superpixel Labeling -- Part IV: Big Dataset and Text-Image Deep Mining -- Chapter 17. Interleaved Text/Image Deep Mining on a Large-Scale RadiologyImage Database. 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 : Deep Learning and Convolutional Neural Networks for Medical Imaging and Clinical Informatics Tipo de documento: documento electrónico Autores: Lu, Le, ; Wang, Xiaosong, ; Carneiro, Gustavo, ; Yang, Lin, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XI, 461 p. 177 ilustraciones, 156 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-13969-8 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 Radiología Inteligencia artificial Redes neuronales (Informática) Modelos matemáticos de procesos cognitivos y redes neuronales Índice Dewey: 006.37 Visión artificial Resumen: Este libro revisa el estado del arte en enfoques de aprendizaje profundo para la detección robusta de enfermedades de alto rendimiento, la segmentación sólida y precisa de órganos en la computación de imágenes médicas (modalidades de imágenes radiológicas y patológicas) y la construcción y extracción de bases de datos de radiología a gran escala. Se centra particularmente en la aplicación de redes neuronales convolucionales y en redes neuronales recurrentes como LSTM, utilizando numerosos ejemplos prácticos para complementar la teoría. Las características principales del libro son las siguientes: destaca cómo se pueden utilizar las redes neuronales profundas para abordar nuevas preguntas y protocolos, y para abordar los desafíos actuales en la informática de imágenes médicas; presenta una revisión exhaustiva de las últimas investigaciones y literatura; y describe una variedad de métodos diferentes que emplean aprendizaje profundo para tareas de detección de objetos o puntos de referencia en imágenes médicas 2D y 3D. Además, el libro examina una amplia selección de técnicas de segmentación semántica utilizando principios de aprendizaje profundo en imágenes médicas; presenta un enfoque novedoso para la incrustación profunda de texto e imágenes para una base de datos de imágenes de rayos X de tórax a gran escala; y analiza cómo se pueden utilizar los gráficos relacionales de aprendizaje profundo para organizar una colección considerable de hallazgos radiológicos de la práctica clínica real, permitiendo la recuperación basada en similitudes semánticas. El lector previsto de este libro editado es un ingeniero profesional, científico o estudiante de posgrado que sea capaz de comprender conceptos generales de procesamiento de imágenes, visión por computadora y análisis de imágenes médicas. Pueden aplicar principios matemáticos y de informática en prácticas de resolución de problemas. Puede ser necesario tener un cierto nivel de familiaridad con una serie de temas más avanzados: formación y mejora de imágenes, comprensión de imágenes, reconocimiento visual en aplicaciones médicas, aprendizaje estadístico, redes neuronales profundas, predicción estructurada y segmentación de imágenes. Nota de contenido: Chapter 1. Clinical Report Guided Multi-Sieving Deep Learning for Retinal Microaneurysm Detection -- Chapter 2. Optic Disc and Cup Segmentation Based on Multi-label Deep Network for Fundus Glaucoma Screening -- Chapter 3. Thoracic Disease Identification and Localization with Limited Supervision -- Chapter 4. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases -- Chapter 5. TieNet: Text-Image Embedding Network for Common Thorax Disease Classification and Reporting in Chest X-rays -- Chapter 6. Deep Lesion Graph in the Wild: Relationship Learning and Organization of Significant Radiology Image Findings in a Diverse Large-scale Lesion Database -- Chapter 7. Deep Reinforcement Learning based Attention to Detect Breast Lesions from DCE-MRI -- Chapter 8. Deep Convolutional Hashing for Low Dimensional Binary Embedding of Histopathological Images -- Chapter 9. Pancreas Segmentation in CT and MRI Images via Domain Specific Network Designing and Recurrent Neural Contextual Learning -- Chapter 10. Spatial Clockwork Recurrent Neural Network for Muscle Perimysium Segmentation -- Chapter 11. Pancreas -- Chapter 12. Multi-Organ -- Chapter 13. Convolutional Invasion and Expansion Networks for Tumor Growth Prediction -- Chapter 14. Cross-Modality Synthesis in Magnetic Resonance Imaging -- Chapter 15. Image Quality Assessment for Population Cardiac MRI -- Chapter 16. Low Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss -- Chapter 17. Unsupervised Cross-Modality Domain Adaptation of ConvNets for Biomedical Image Segmentations with Adversarial Loss -- Chapter 18. Automatic Vertebra Labeling in Large-Scale Medical Images using Deep Image-to-Image Network with Message Passing and Sparsity Regularization -- Chapter 19. 3D Anisotropic Hybrid Network: Transferring Convolutional Features from 2D Images to 3D Anisotropic Volumes -- Chapter 20. Multi-Agent Learning for Robust Image Registration -- Chapter 21. Deep Learning in Magnetic Resonance Imaging of Cardiac Function -- Chapter 22. Automatic Vertebra Labeling in Large-Scale Medical Images using Deep Image-to-Image Network with Message Passing and Sparsity Regularization -- Chapter 23. Deep Learning on Functional Connectivity of Brain: Are We There Yet?. 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 Deep Learning and Convolutional Neural Networks for Medical Imaging and Clinical Informatics [documento electrónico] / Lu, Le, ; Wang, Xiaosong, ; Carneiro, Gustavo, ; Yang, Lin, . - 1 ed. . - [s.l.] : Springer, 2019 . - XI, 461 p. 177 ilustraciones, 156 ilustraciones en color.
ISBN : 978-3-030-13969-8
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 Radiología Inteligencia artificial Redes neuronales (Informática) Modelos matemáticos de procesos cognitivos y redes neuronales Índice Dewey: 006.37 Visión artificial Resumen: Este libro revisa el estado del arte en enfoques de aprendizaje profundo para la detección robusta de enfermedades de alto rendimiento, la segmentación sólida y precisa de órganos en la computación de imágenes médicas (modalidades de imágenes radiológicas y patológicas) y la construcción y extracción de bases de datos de radiología a gran escala. Se centra particularmente en la aplicación de redes neuronales convolucionales y en redes neuronales recurrentes como LSTM, utilizando numerosos ejemplos prácticos para complementar la teoría. Las características principales del libro son las siguientes: destaca cómo se pueden utilizar las redes neuronales profundas para abordar nuevas preguntas y protocolos, y para abordar los desafíos actuales en la informática de imágenes médicas; presenta una revisión exhaustiva de las últimas investigaciones y literatura; y describe una variedad de métodos diferentes que emplean aprendizaje profundo para tareas de detección de objetos o puntos de referencia en imágenes médicas 2D y 3D. Además, el libro examina una amplia selección de técnicas de segmentación semántica utilizando principios de aprendizaje profundo en imágenes médicas; presenta un enfoque novedoso para la incrustación profunda de texto e imágenes para una base de datos de imágenes de rayos X de tórax a gran escala; y analiza cómo se pueden utilizar los gráficos relacionales de aprendizaje profundo para organizar una colección considerable de hallazgos radiológicos de la práctica clínica real, permitiendo la recuperación basada en similitudes semánticas. El lector previsto de este libro editado es un ingeniero profesional, científico o estudiante de posgrado que sea capaz de comprender conceptos generales de procesamiento de imágenes, visión por computadora y análisis de imágenes médicas. Pueden aplicar principios matemáticos y de informática en prácticas de resolución de problemas. Puede ser necesario tener un cierto nivel de familiaridad con una serie de temas más avanzados: formación y mejora de imágenes, comprensión de imágenes, reconocimiento visual en aplicaciones médicas, aprendizaje estadístico, redes neuronales profundas, predicción estructurada y segmentación de imágenes. Nota de contenido: Chapter 1. Clinical Report Guided Multi-Sieving Deep Learning for Retinal Microaneurysm Detection -- Chapter 2. Optic Disc and Cup Segmentation Based on Multi-label Deep Network for Fundus Glaucoma Screening -- Chapter 3. Thoracic Disease Identification and Localization with Limited Supervision -- Chapter 4. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases -- Chapter 5. TieNet: Text-Image Embedding Network for Common Thorax Disease Classification and Reporting in Chest X-rays -- Chapter 6. Deep Lesion Graph in the Wild: Relationship Learning and Organization of Significant Radiology Image Findings in a Diverse Large-scale Lesion Database -- Chapter 7. Deep Reinforcement Learning based Attention to Detect Breast Lesions from DCE-MRI -- Chapter 8. Deep Convolutional Hashing for Low Dimensional Binary Embedding of Histopathological Images -- Chapter 9. Pancreas Segmentation in CT and MRI Images via Domain Specific Network Designing and Recurrent Neural Contextual Learning -- Chapter 10. Spatial Clockwork Recurrent Neural Network for Muscle Perimysium Segmentation -- Chapter 11. Pancreas -- Chapter 12. Multi-Organ -- Chapter 13. Convolutional Invasion and Expansion Networks for Tumor Growth Prediction -- Chapter 14. Cross-Modality Synthesis in Magnetic Resonance Imaging -- Chapter 15. Image Quality Assessment for Population Cardiac MRI -- Chapter 16. Low Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss -- Chapter 17. Unsupervised Cross-Modality Domain Adaptation of ConvNets for Biomedical Image Segmentations with Adversarial Loss -- Chapter 18. Automatic Vertebra Labeling in Large-Scale Medical Images using Deep Image-to-Image Network with Message Passing and Sparsity Regularization -- Chapter 19. 3D Anisotropic Hybrid Network: Transferring Convolutional Features from 2D Images to 3D Anisotropic Volumes -- Chapter 20. Multi-Agent Learning for Robust Image Registration -- Chapter 21. Deep Learning in Magnetic Resonance Imaging of Cardiac Function -- Chapter 22. Automatic Vertebra Labeling in Large-Scale Medical Images using Deep Image-to-Image Network with Message Passing and Sparsity Regularization -- Chapter 23. Deep Learning on Functional Connectivity of Brain: Are We There Yet?. 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 : Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support : 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 20, 2018, Proceedings Tipo de documento: documento electrónico Autores: Stoyanov, Danail, ; Taylor, Zeike, ; Carneiro, Gustavo, ; Syeda-Mahmood, Tanveer, ; Martel, Anne, ; Maier-Hein, Lena, ; Tavares, João Manuel RS, ; Bradley, Andrew, ; Papa, João Paulo, ; Belagiannis, Vasileios, ; Nascimento, Jacinto C., ; Lu, Zhi, ; Conjeti, Sailesh, ; Moradi, Mehdi, ; Greenspan, Hayit, ; Madabhushi, Anant, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XVII, 387 p. 197 ilustraciones, 149 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-00889-5 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 Informática Médica Ciencias sociales Protección de datos Informática de la Salud Computadoras y Educación Aplicación informática en ciencias sociales y del comportamiento Seguridad de datos e información Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas conjuntas arbitradas del 4.º Taller internacional sobre aprendizaje profundo en análisis de imágenes médicas, DLMIA 2018, y el 8.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clínicas, ML-CDS 2018, celebrado junto con la 21.ª Conferencia internacional sobre Medical Imaging and Computer-Assisted Intervention, MICCAI 2018, en Granada, España, en septiembre de 2018. Los 39 artículos completos presentados en DLMIA 2018 y los 4 artículos completos presentados en ML-CDS 2018 fueron cuidadosamente revisados y seleccionados entre 85 presentaciones a DLMIA y 6 presentaciones a ML-CDS. Los artículos de DLMIA se centran en el diseño y uso de métodos de aprendizaje profundo en imágenes médicas. Los artículos de ML-CDS analizan nuevas técnicas de extracción/recuperación multimodal y su uso en el apoyo a las decisiones clínicas. Nota de contenido: Semi-Automated Extraction of Crohns Disease MR Imaging Markers using a 3D Residual CNN with Distance Prior -- Weakly Supervised Localisation for Fetal Ultrasound Images -- Learning to Decode 7T-like MR Image Reconstruction from 3T MR Images -- Segmentation of Head and Neck Organs-At-Risk in Longitudinal CT Scans Combining Deformable Registrations and Convolutional Neural Networks -- Iterative Segmentation from Limited Training Data: Applications to Congenital Heart Disease -- Contextual Additive Networks to Efficiently Boost 3D Image Segmentations -- Longitudinal detection of radiological abnormalities with time-modulated LSTM -- SCAN: Structure Correcting Adversarial Network for Organ Segmentation in Chest X-rays -- Active Learning for Segmentation by Optimizing Content Information for Maximal Entropy -- Rapid Training Data Generation for Tissue Segmentation Using Global Approximate Block-Matching with Self-Organizing Maps -- Reinforced Auto-Zoom Net: Towards Accurate and Fast Breast Cancer Segmentation in Whole-slide Images -- Deep semi-supervised segmentation with weight-averaged consistency targets -- Focal Dice Loss and Image Dilation for Brain Tumor Segmentation -- Automatic Detection of Patients with a High Risk of Systolic Cardiac Failure in Echocardiography -- Unsupervised feature learning for outlier detection with stacked convolutional autoencoders, siamese networks and Wasserstein autoencoders: application to epilepsy detection -- Automatic myocardial strain imaging in echocardiography using deep learning -- 3D Convolutional Neural Networks for Classification of Functional Connectomes -- Computed Tomography Image Enhancement using 3D Convolutional Neural Network -- Deep Particle Tracker: Automatic Tracking of Particles in Fluorescence Microscopy Images Using Deep Learning -- A Unified Framework Integrating Recurrent Fully-convolutional Networks and Optical Flow for Segmentation of the Left Ventricle in Echocardiography Data -- Learning Optimal Deep Projection of 18 F-FDG PET Imaging for Early Differential Diagnosis of Parkinsonian Syndromes -- Learning to Segment Medical Images with Scribble-Supervision Alone -- Unsupervised Probabilistic Deformation Modeling for Robust Diffeomorphic Registration -- TreeNet: Multi-Loss Deep Learning Network to Predict Branch Direction for Extracting 3D Anatomical Trees -- Active Deep Learning with Fisher Information for Patch-wise Semantic Segmentation -- UOLO - automatic object detection and segmentation in biomedical images -- Pediatric Bone Age Assessment Using Deep Convolutional Neural Networks -- Multi-Scale Residual Network with Two Channels of Raw CT Image and Its Differential Excitation Component for Emphysema Classification -- Nonlinear adaptively learned optimization for object localization in 3D medical images -- Automatic Segmentation of Pulmonary Lobes Using a Progressive Dense V-Network -- UNet++: A Nested U-Net Architecture for Medical Image Segmentation -- MTMR-Net: Multi-Task Deep Learning with Margin Ranking Lossfor Lung Nodule Analysis -- PIMMS: Permutation Invariant Multi-Modal Segmentation -- Handling Missing Annotations for Semantic Segmentation with Deep ConvNets -- 3D Deep Affine-Invariant Shape Learning for Brain MR Image Segmentation -- ScarGAN: Chained Generative Adversarial Networks to Simulate Pathological Tissue on Cardiovascular MR Scans -- Unpaired Deep Cross-modality Synthesis with Fast Training -- Monte-Carlo Sampling applied to Multiple Instance Learning for Histological Image Classification -- Unpaired Brain MR-to-CT Synthesis using a Structure-Constrained CycleGAN -- A Multi-Scale Multiple Sclerosis Lesion Change Detection in a Multi-Sequence MRI -- Multi-task Sparse Low-rank Learning for Multi-classification of Parkinson's Disease -- Optic Disc segmentation in Retinal Fundus Images using Fully Convolutional Network and Removal of False-positives Based on Shape Features -- Integrating deformable modeling with 3D deep neural network segmentation. 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 Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support : 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 20, 2018, Proceedings [documento electrónico] / Stoyanov, Danail, ; Taylor, Zeike, ; Carneiro, Gustavo, ; Syeda-Mahmood, Tanveer, ; Martel, Anne, ; Maier-Hein, Lena, ; Tavares, João Manuel RS, ; Bradley, Andrew, ; Papa, João Paulo, ; Belagiannis, Vasileios, ; Nascimento, Jacinto C., ; Lu, Zhi, ; Conjeti, Sailesh, ; Moradi, Mehdi, ; Greenspan, Hayit, ; Madabhushi, Anant, . - 1 ed. . - [s.l.] : Springer, 2018 . - XVII, 387 p. 197 ilustraciones, 149 ilustraciones en color.
ISBN : 978-3-030-00889-5
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Informática Médica Ciencias sociales Protección de datos Informática de la Salud Computadoras y Educación Aplicación informática en ciencias sociales y del comportamiento Seguridad de datos e información Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas conjuntas arbitradas del 4.º Taller internacional sobre aprendizaje profundo en análisis de imágenes médicas, DLMIA 2018, y el 8.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clínicas, ML-CDS 2018, celebrado junto con la 21.ª Conferencia internacional sobre Medical Imaging and Computer-Assisted Intervention, MICCAI 2018, en Granada, España, en septiembre de 2018. Los 39 artículos completos presentados en DLMIA 2018 y los 4 artículos completos presentados en ML-CDS 2018 fueron cuidadosamente revisados y seleccionados entre 85 presentaciones a DLMIA y 6 presentaciones a ML-CDS. Los artículos de DLMIA se centran en el diseño y uso de métodos de aprendizaje profundo en imágenes médicas. Los artículos de ML-CDS analizan nuevas técnicas de extracción/recuperación multimodal y su uso en el apoyo a las decisiones clínicas. Nota de contenido: Semi-Automated Extraction of Crohns Disease MR Imaging Markers using a 3D Residual CNN with Distance Prior -- Weakly Supervised Localisation for Fetal Ultrasound Images -- Learning to Decode 7T-like MR Image Reconstruction from 3T MR Images -- Segmentation of Head and Neck Organs-At-Risk in Longitudinal CT Scans Combining Deformable Registrations and Convolutional Neural Networks -- Iterative Segmentation from Limited Training Data: Applications to Congenital Heart Disease -- Contextual Additive Networks to Efficiently Boost 3D Image Segmentations -- Longitudinal detection of radiological abnormalities with time-modulated LSTM -- SCAN: Structure Correcting Adversarial Network for Organ Segmentation in Chest X-rays -- Active Learning for Segmentation by Optimizing Content Information for Maximal Entropy -- Rapid Training Data Generation for Tissue Segmentation Using Global Approximate Block-Matching with Self-Organizing Maps -- Reinforced Auto-Zoom Net: Towards Accurate and Fast Breast Cancer Segmentation in Whole-slide Images -- Deep semi-supervised segmentation with weight-averaged consistency targets -- Focal Dice Loss and Image Dilation for Brain Tumor Segmentation -- Automatic Detection of Patients with a High Risk of Systolic Cardiac Failure in Echocardiography -- Unsupervised feature learning for outlier detection with stacked convolutional autoencoders, siamese networks and Wasserstein autoencoders: application to epilepsy detection -- Automatic myocardial strain imaging in echocardiography using deep learning -- 3D Convolutional Neural Networks for Classification of Functional Connectomes -- Computed Tomography Image Enhancement using 3D Convolutional Neural Network -- Deep Particle Tracker: Automatic Tracking of Particles in Fluorescence Microscopy Images Using Deep Learning -- A Unified Framework Integrating Recurrent Fully-convolutional Networks and Optical Flow for Segmentation of the Left Ventricle in Echocardiography Data -- Learning Optimal Deep Projection of 18 F-FDG PET Imaging for Early Differential Diagnosis of Parkinsonian Syndromes -- Learning to Segment Medical Images with Scribble-Supervision Alone -- Unsupervised Probabilistic Deformation Modeling for Robust Diffeomorphic Registration -- TreeNet: Multi-Loss Deep Learning Network to Predict Branch Direction for Extracting 3D Anatomical Trees -- Active Deep Learning with Fisher Information for Patch-wise Semantic Segmentation -- UOLO - automatic object detection and segmentation in biomedical images -- Pediatric Bone Age Assessment Using Deep Convolutional Neural Networks -- Multi-Scale Residual Network with Two Channels of Raw CT Image and Its Differential Excitation Component for Emphysema Classification -- Nonlinear adaptively learned optimization for object localization in 3D medical images -- Automatic Segmentation of Pulmonary Lobes Using a Progressive Dense V-Network -- UNet++: A Nested U-Net Architecture for Medical Image Segmentation -- MTMR-Net: Multi-Task Deep Learning with Margin Ranking Lossfor Lung Nodule Analysis -- PIMMS: Permutation Invariant Multi-Modal Segmentation -- Handling Missing Annotations for Semantic Segmentation with Deep ConvNets -- 3D Deep Affine-Invariant Shape Learning for Brain MR Image Segmentation -- ScarGAN: Chained Generative Adversarial Networks to Simulate Pathological Tissue on Cardiovascular MR Scans -- Unpaired Deep Cross-modality Synthesis with Fast Training -- Monte-Carlo Sampling applied to Multiple Instance Learning for Histological Image Classification -- Unpaired Brain MR-to-CT Synthesis using a Structure-Constrained CycleGAN -- A Multi-Scale Multiple Sclerosis Lesion Change Detection in a Multi-Sequence MRI -- Multi-task Sparse Low-rank Learning for Multi-classification of Parkinson's Disease -- Optic Disc segmentation in Retinal Fundus Images using Fully Convolutional Network and Removal of False-positives Based on Shape Features -- Integrating deformable modeling with 3D deep neural network segmentation. 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
Permalink
Permalink
