Información del autor
Autor Greenspan, Hayit |
Documentos disponibles escritos por este autor (6)
Crear una solicitud de compra Refinar búsqueda10th International Workshop, ML-CDS 2020, and 9th International Workshop, CLIP 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings / Syeda-Mahmood, Tanveer ; Drechsler, Klaus ; Greenspan, Hayit ; Madabhushi, Anant ; Karargyris, Alexandros ; Linguraru, Marius George ; Oyarzun Laura, Cristina ; Shekhar, Raj ; Wesarg, Stefan ; González Ballester, Miguel Ãngel ; Erdt, Marius
TÃtulo : 10th International Workshop, ML-CDS 2020, and 9th International Workshop, CLIP 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings Tipo de documento: documento electrónico Autores: Syeda-Mahmood, Tanveer, ; Drechsler, Klaus, ; Greenspan, Hayit, ; Madabhushi, Anant, ; Karargyris, Alexandros, ; Linguraru, Marius George, ; Oyarzun Laura, Cristina, ; Shekhar, Raj, ; Wesarg, Stefan, ; González Ballester, Miguel Ãngel, ; Erdt, Marius, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XII, 138 p. 4 ilustraciones ISBN/ISSN/DL: 978-3-030-60946-7 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 Visión por computador Ciencias sociales Bioinformática Gestión de base de datos Aplicación informática en ciencias sociales y del comportamiento BiologÃa Computacional y de Sistemas Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del 10.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clÃnicas, ML-CDS 2020, y el 9.º Taller internacional sobre procedimientos clÃnicos basados ​​en imágenes, CLIP 2020, celebrado junto con la 23.ª Conferencia internacional sobre medicina. ImagenologÃa e Intervención Asistida por Computadora, MICCAI 2020, en Lima, Perú, en octubre de 2020. Los talleres se realizaron de manera virtual debido a la pandemia de COVID-19. Los 4 artÃculos completos presentados en ML-CDS 2020 y los 9 artÃculos completos presentados en CLIP 2020 fueron cuidadosamente revisados ​​y seleccionados entre numerosas presentaciones a ML-CDS y 10 presentaciones a CLIP. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. Los talleres CLIP proporcionan un foro para el trabajo centrado en aplicaciones clÃnicas especÃficas, incluidas técnicas y procedimientos basados ​​en imágenes clÃnicas integrales y otros datos. Nota de contenido: CLIP 2020 -- Optimal Targeting Visualizations for Surgical Navigation of Iliosacral Screws -- Prediction of Type II Diabetes Onset with Computed Tomography and Electronic Medical Records -- A Radiomics-based Machine Learning Approach to Assess Collateral Circulation in Stroke on Non-contrast Computed Tomography -- Image-based Subthalamic Nucleus Segmentation for Deep Brain Surgery With Electrophysiology Aided Refinement -- 3D Slicer Craniomaxillofacial Modules Support Patient-specific Decision-making for Personalized Healthcare in Dental Research -- Learning Representations of Endoscopic Videos to Detect Tool Presence Without Supervision -- Single-shot Deep Volumetric Regression for Mobile Medical Augmented Reality -- A Baseline Approach for AutoImplant: the MICCAI 2020 Cranial Implant Design Challenge -- Adversarial Prediction of Radiotherapy Treatment Machine Parameters -- ML-CDS 2020 -- Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data -- Towards Automated Diagnosis with Attentive Multi-Modal Learning Using Electronic Health Records and Chest X-rays -- LUCAS: LUng CAncer Screening with Multimodal Biomarkers -- Automatic Breast Lesion Classification by Joint Neural Analysis of Mammography and Ultrasound. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] 10th International Workshop, ML-CDS 2020, and 9th International Workshop, CLIP 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings [documento electrónico] / Syeda-Mahmood, Tanveer, ; Drechsler, Klaus, ; Greenspan, Hayit, ; Madabhushi, Anant, ; Karargyris, Alexandros, ; Linguraru, Marius George, ; Oyarzun Laura, Cristina, ; Shekhar, Raj, ; Wesarg, Stefan, ; González Ballester, Miguel Ãngel, ; Erdt, Marius, . - 1 ed. . - [s.l.] : Springer, 2020 . - XII, 138 p. 4 ilustraciones.
ISBN : 978-3-030-60946-7
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Visión por computador Ciencias sociales Bioinformática Gestión de base de datos Aplicación informática en ciencias sociales y del comportamiento BiologÃa Computacional y de Sistemas Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del 10.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clÃnicas, ML-CDS 2020, y el 9.º Taller internacional sobre procedimientos clÃnicos basados ​​en imágenes, CLIP 2020, celebrado junto con la 23.ª Conferencia internacional sobre medicina. ImagenologÃa e Intervención Asistida por Computadora, MICCAI 2020, en Lima, Perú, en octubre de 2020. Los talleres se realizaron de manera virtual debido a la pandemia de COVID-19. Los 4 artÃculos completos presentados en ML-CDS 2020 y los 9 artÃculos completos presentados en CLIP 2020 fueron cuidadosamente revisados ​​y seleccionados entre numerosas presentaciones a ML-CDS y 10 presentaciones a CLIP. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. Los talleres CLIP proporcionan un foro para el trabajo centrado en aplicaciones clÃnicas especÃficas, incluidas técnicas y procedimientos basados ​​en imágenes clÃnicas integrales y otros datos. Nota de contenido: CLIP 2020 -- Optimal Targeting Visualizations for Surgical Navigation of Iliosacral Screws -- Prediction of Type II Diabetes Onset with Computed Tomography and Electronic Medical Records -- A Radiomics-based Machine Learning Approach to Assess Collateral Circulation in Stroke on Non-contrast Computed Tomography -- Image-based Subthalamic Nucleus Segmentation for Deep Brain Surgery With Electrophysiology Aided Refinement -- 3D Slicer Craniomaxillofacial Modules Support Patient-specific Decision-making for Personalized Healthcare in Dental Research -- Learning Representations of Endoscopic Videos to Detect Tool Presence Without Supervision -- Single-shot Deep Volumetric Regression for Mobile Medical Augmented Reality -- A Baseline Approach for AutoImplant: the MICCAI 2020 Cranial Implant Design Challenge -- Adversarial Prediction of Radiotherapy Treatment Machine Parameters -- ML-CDS 2020 -- Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data -- Towards Automated Diagnosis with Attentive Multi-Modal Learning Using Electronic Health Records and Chest X-rays -- LUCAS: LUng CAncer Screening with Multimodal Biomarkers -- Automatic Breast Lesion Classification by Joint Neural Analysis of Mammography and Ultrasound. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : 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 Clasificación: 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 clÃnicas, 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 artÃculos completos presentados en DLMIA 2018 y los 4 artÃculos completos presentados en ML-CDS 2018 fueron cuidadosamente revisados ​​y seleccionados entre 85 presentaciones a DLMIA y 6 presentaciones a ML-CDS. Los artÃculos de DLMIA se centran en el diseño y uso de métodos de aprendizaje profundo en imágenes médicas. Los artÃculos de ML-CDS analizan nuevas técnicas de extracción/recuperación multimodal y su uso en el apoyo a las decisiones clÃnicas. 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. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] 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 Clasificación: 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 clÃnicas, 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 artÃculos completos presentados en DLMIA 2018 y los 4 artÃculos completos presentados en ML-CDS 2018 fueron cuidadosamente revisados ​​y seleccionados entre 85 presentaciones a DLMIA y 6 presentaciones a ML-CDS. Los artÃculos de DLMIA se centran en el diseño y uso de métodos de aprendizaje profundo en imágenes médicas. Los artÃculos de ML-CDS analizan nuevas técnicas de extracción/recuperación multimodal y su uso en el apoyo a las decisiones clÃnicas. 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. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support : Third International Workshop, DLMIA 2017, and 7th International Workshop, ML-CDS 2017, Held in Conjunction with MICCAI 2017, Québec City, QC, Canada, September 14, Proceedings Tipo de documento: documento electrónico Autores: Cardoso, M. Jorge, ; Arbel, Tal, ; Carneiro, Gustavo, ; Syeda-Mahmood, Tanveer, ; Tavares, João Manuel RS, ; Moradi, Mehdi, ; Bradley, Andrew, ; Greenspan, Hayit, ; Papa, João Paulo, ; Madabhushi, Anant, ; Nascimento, Jacinto C., ; Cardoso, Jaime S., ; Belagiannis, Vasileios, ; Lu, Zhi, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XIX, 385 p. 169 ilustraciones ISBN/ISSN/DL: 978-3-319-67558-9 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 Informática Médica Bioinformática diseño lógico Informática de la Salud BiologÃa Computacional y de Sistemas Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del Tercer Taller Internacional sobre Aprendizaje Profundo en Análisis de Imágenes Médicas, DLMIA 2017, y el 6º Taller Internacional sobre Aprendizaje Multimodal para el Apoyo a la Decisión ClÃnica, ML-CDS 2017, celebrado junto con la 20ª Conferencia Internacional sobre Medical Imaging and Computer-Assisted Intervention, MICCAI 2017, en la ciudad de Québec, QC, Canadá, en septiembre de 2017. Los 38 artÃculos completos presentados en DLMIA 2017 y los 5 artÃculos completos presentados en ML-CDS 2017 fueron cuidadosamente revisados ​​y seleccionados. Los artÃculos de DLMIA se centran en el diseño y uso de métodos de aprendizaje profundo en imágenes médicas. Los artÃculos de ML-CDS analizan nuevas técnicas de extracción/recuperación multimodal y su uso en el apoyo a las decisiones clÃnicas. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support : Third International Workshop, DLMIA 2017, and 7th International Workshop, ML-CDS 2017, Held in Conjunction with MICCAI 2017, Québec City, QC, Canada, September 14, Proceedings [documento electrónico] / Cardoso, M. Jorge, ; Arbel, Tal, ; Carneiro, Gustavo, ; Syeda-Mahmood, Tanveer, ; Tavares, João Manuel RS, ; Moradi, Mehdi, ; Bradley, Andrew, ; Greenspan, Hayit, ; Papa, João Paulo, ; Madabhushi, Anant, ; Nascimento, Jacinto C., ; Cardoso, Jaime S., ; Belagiannis, Vasileios, ; Lu, Zhi, . - 1 ed. . - [s.l.] : Springer, 2017 . - XIX, 385 p. 169 ilustraciones.
ISBN : 978-3-319-67558-9
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 Informática Médica Bioinformática diseño lógico Informática de la Salud BiologÃa Computacional y de Sistemas Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del Tercer Taller Internacional sobre Aprendizaje Profundo en Análisis de Imágenes Médicas, DLMIA 2017, y el 6º Taller Internacional sobre Aprendizaje Multimodal para el Apoyo a la Decisión ClÃnica, ML-CDS 2017, celebrado junto con la 20ª Conferencia Internacional sobre Medical Imaging and Computer-Assisted Intervention, MICCAI 2017, en la ciudad de Québec, QC, Canadá, en septiembre de 2017. Los 38 artÃculos completos presentados en DLMIA 2017 y los 5 artÃculos completos presentados en ML-CDS 2017 fueron cuidadosamente revisados ​​y seleccionados. Los artÃculos de DLMIA se centran en el diseño y uso de métodos de aprendizaje profundo en imágenes médicas. Los artÃculos de ML-CDS analizan nuevas técnicas de extracción/recuperación multimodal y su uso en el apoyo a las decisiones clÃnicas. 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 Multimodal Learning for Clinical Decision Support : Second International Workshop, iMIMIC 2019, and 9th International Workshop, ML-CDS 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings Tipo de documento: documento electrónico Autores: Suzuki, Kenji, ; Reyes, Mauricio, ; Syeda-Mahmood, Tanveer, ; Konukoglu, Ender, ; Glocker, Ben, ; Wiest, Roland, ; Gur, Yaniv, ; Greenspan, Hayit, ; Madabhushi, Anant, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XVI, 93 p. 40 ilustraciones, 35 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-33850-3 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Informática de la Salud Lenguajes formales y teorÃa de los autómatas Visión por computador TeorÃa de las máquinas Informática Médica Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del Segundo Taller Internacional sobre Interpretabilidad de la Inteligencia Artificial en Computación de Imágenes Médicas, iMIMIC 2019, y el 9º Taller Internacional sobre Aprendizaje Multimodal para el Apoyo a la Decisión ClÃnica, ML-CDS 2019, celebrado en conjunto con el 22º Taller Internacional Conferencia sobre imágenes médicas e intervención asistida por computadora, MICCAI 2019, en Shenzhen, China, en octubre de 2019. Los 7 artÃculos completos presentados en iMIMIC 2019 y los 3 artÃculos completos presentados en ML-CDS 2019 fueron cuidadosamente revisados ​​y seleccionados entre 10 presentaciones para iMIMIC y numerosas presentaciones a ML-CDS. 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. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. . Nota de contenido: Second International Workshop on Interpretability of Machine Intelligence in Medical Image Computing (iMIMIC 2019) -- Testing the robustness of attribution methods for convolutional neural networks in MRI-based Alzheimer's disease classification -- UBS: A Dimension-Agnostic Metric for Concept Vector Interpretability Applied to Radiomics -- Generation of Multimodal Justification Using Visual Word Constraint Model for Explainable Computer-Aided Diagnosis -- Incorporating Task-Specific Structural Knowledge into CNNs for Brain Midline Shift Detection -- Guideline-based Additive Explanation for Computer-Aided Diagnosis of Lung Nodules -- Deep neural network or dermatologist? -- Towards Interpretability of Segmentation Networks by analyzing DeepDreams -- 9th International Workshop on Multimodal Learning for Clinical Decision Support (ML-CDS 2019) -- Towards Automatic Diagnosis from Multi-modal Medical Data -- Deep Learning based Multi-Modal Registration for Retinal Imaging.-Automated Enriched Medical Concept Generation for Chest X-ray Images. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Interpretability of Machine Intelligence in Medical Image Computing and Multimodal Learning for Clinical Decision Support : Second International Workshop, iMIMIC 2019, and 9th International Workshop, ML-CDS 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings [documento electrónico] / Suzuki, Kenji, ; Reyes, Mauricio, ; Syeda-Mahmood, Tanveer, ; Konukoglu, Ender, ; Glocker, Ben, ; Wiest, Roland, ; Gur, Yaniv, ; Greenspan, Hayit, ; Madabhushi, Anant, . - 1 ed. . - [s.l.] : Springer, 2019 . - XVI, 93 p. 40 ilustraciones, 35 ilustraciones en color.
ISBN : 978-3-030-33850-3
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 de la Salud Lenguajes formales y teorÃa de los autómatas Visión por computador TeorÃa de las máquinas Informática Médica Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del Segundo Taller Internacional sobre Interpretabilidad de la Inteligencia Artificial en Computación de Imágenes Médicas, iMIMIC 2019, y el 9º Taller Internacional sobre Aprendizaje Multimodal para el Apoyo a la Decisión ClÃnica, ML-CDS 2019, celebrado en conjunto con el 22º Taller Internacional Conferencia sobre imágenes médicas e intervención asistida por computadora, MICCAI 2019, en Shenzhen, China, en octubre de 2019. Los 7 artÃculos completos presentados en iMIMIC 2019 y los 3 artÃculos completos presentados en ML-CDS 2019 fueron cuidadosamente revisados ​​y seleccionados entre 10 presentaciones para iMIMIC y numerosas presentaciones a ML-CDS. 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. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. . Nota de contenido: Second International Workshop on Interpretability of Machine Intelligence in Medical Image Computing (iMIMIC 2019) -- Testing the robustness of attribution methods for convolutional neural networks in MRI-based Alzheimer's disease classification -- UBS: A Dimension-Agnostic Metric for Concept Vector Interpretability Applied to Radiomics -- Generation of Multimodal Justification Using Visual Word Constraint Model for Explainable Computer-Aided Diagnosis -- Incorporating Task-Specific Structural Knowledge into CNNs for Brain Midline Shift Detection -- Guideline-based Additive Explanation for Computer-Aided Diagnosis of Lung Nodules -- Deep neural network or dermatologist? -- Towards Interpretability of Segmentation Networks by analyzing DeepDreams -- 9th International Workshop on Multimodal Learning for Clinical Decision Support (ML-CDS 2019) -- Towards Automatic Diagnosis from Multi-modal Medical Data -- Deep Learning based Multi-Modal Registration for Retinal Imaging.-Automated Enriched Medical Concept Generation for Chest X-ray Images. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Multimodal Learning for Clinical Decision Support : 11th International Workshop, ML-CDS 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings Tipo de documento: documento electrónico Autores: Syeda-Mahmood, Tanveer, ; Li, Xiang, ; Madabhushi, Anant, ; Greenspan, Hayit, ; Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Wang, Hongzhi, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: VIII, 117 p. 47 ilustraciones, 43 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-89847-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de imágenes Visión por computador Aprendizaje automático Gestión de base de datos Ciencias sociales Imágenes por computadora visión reconocimiento de patrones y gráficos Aplicación informática en ciencias sociales y del comportamiento Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del 11.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clÃnicas, ML-CDS 2021, celebrado junto con la 24.ª Conferencia internacional sobre imágenes médicas e intervención asistida por computadora, MICCAI 2021, en Estrasburgo, Francia. en octubre de 2021. El taller se realizó de manera virtual debido a la pandemia de COVID-19. Los 10 artÃculos completos presentados en ML-CDS 2021 fueron cuidadosamente revisados ​​y seleccionados entre numerosas presentaciones. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. Nota de contenido: From Picoscale Pathology to Decascale Disease: Image Registration with a Scattering Transform and Varifolds for Manipulating Multiscale Data -- Multi-Scale Hybrid Transformer Networks: Application to Prostate Disease Classification -- Predicting Treatment Response in Prostate Cancer Patients Based on Multimodal PET/CT for Clinical Decision Support -- A Federated Multigraph Integration Approach for Connectional Brain Template Learning -- SAMA: Spatially-Aware Multimodal Network with Attention for Early Lung Cancer Diagnosis -- Fully Automatic Head and Neck Cancer Prognosis Prediction in PET/CT -- Feature Selection for Privileged Modalities in Disease Classification -- Merging and Annotating Teeth and Roots from Automated Segmentation of Multimodal Images -- Structure and Feature based Graph U-Net for Early Alzheimer's Disease Prediction -- A Method for Predicting Alzheimer's Disease based on the Fusion of Single Nucleotide Polymorphisms and Magnetic Resonance Feature Extraction. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Multimodal Learning for Clinical Decision Support : 11th International Workshop, ML-CDS 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings [documento electrónico] / Syeda-Mahmood, Tanveer, ; Li, Xiang, ; Madabhushi, Anant, ; Greenspan, Hayit, ; Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Wang, Hongzhi, . - 1 ed. . - [s.l.] : Springer, 2021 . - VIII, 117 p. 47 ilustraciones, 43 ilustraciones en color.
ISBN : 978-3-030-89847-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Procesamiento de imágenes Visión por computador Aprendizaje automático Gestión de base de datos Ciencias sociales Imágenes por computadora visión reconocimiento de patrones y gráficos Aplicación informática en ciencias sociales y del comportamiento Clasificación: Resumen: Este libro constituye las actas conjuntas arbitradas del 11.º Taller internacional sobre aprendizaje multimodal para el apoyo a las decisiones clÃnicas, ML-CDS 2021, celebrado junto con la 24.ª Conferencia internacional sobre imágenes médicas e intervención asistida por computadora, MICCAI 2021, en Estrasburgo, Francia. en octubre de 2021. El taller se realizó de manera virtual debido a la pandemia de COVID-19. Los 10 artÃculos completos presentados en ML-CDS 2021 fueron cuidadosamente revisados ​​y seleccionados entre numerosas presentaciones. Los artÃculos de ML-CDS analizan el aprendizaje automático en conjuntos de datos multimodales para apoyar la toma de decisiones clÃnicas y la planificación del tratamiento. Nota de contenido: From Picoscale Pathology to Decascale Disease: Image Registration with a Scattering Transform and Varifolds for Manipulating Multiscale Data -- Multi-Scale Hybrid Transformer Networks: Application to Prostate Disease Classification -- Predicting Treatment Response in Prostate Cancer Patients Based on Multimodal PET/CT for Clinical Decision Support -- A Federated Multigraph Integration Approach for Connectional Brain Template Learning -- SAMA: Spatially-Aware Multimodal Network with Attention for Early Lung Cancer Diagnosis -- Fully Automatic Head and Neck Cancer Prognosis Prediction in PET/CT -- Feature Selection for Privileged Modalities in Disease Classification -- Merging and Annotating Teeth and Roots from Automated Segmentation of Multimodal Images -- Structure and Feature based Graph U-Net for Early Alzheimer's Disease Prediction -- A Method for Predicting Alzheimer's Disease based on the Fusion of Single Nucleotide Polymorphisms and Magnetic Resonance Feature Extraction. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Permalink
