Título :	Multiscale Multimodal Medical Imaging : First International Workshop, MMMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings
Tipo de documento:	documento electrónico
Autores:	Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Li, Xiang,
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2020
Número de páginas:	X, 109 p. 55 ilustraciones, 46 ilustraciones en color.
ISBN/ISSN/DL:	978-3-030-37969-8
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  Aprendizaje automático  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado
Índice Dewey:	006.37 Visión artificial
Resumen:	Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Imágenes Médicas Multimodales Multiescala, MMMI 2019, celebrado junto con MICCAI 2019 en Shenzhen, China, en octubre de 2019. Los 13 artículos presentados fueron cuidadosamente revisados ​​y seleccionados entre 18 presentaciones. El taller MMMI tiene como objetivo avanzar en los últimos avances en imágenes médicas multimodales y a múltiples escalas, incluido el desarrollo de algoritmos, la implementación de metodologías y estudios experimentales. Los artículos se centran en el análisis de imágenes médicas y el aprendizaje automático, especialmente en métodos de aprendizaje automático para la fusión de datos y el aprendizaje de múltiples puntuaciones.
Nota de contenido:	Multi-Modal Image Prediction via Spatial Hybrid U-Net -- Automatic Segmentation of Liver CT Image Based on Dense Pyramid Network -- OctopusNet: A Deep Learning Segmentation Network for Multi-modal Medical Images -- Neural Architecture Search for Optimizing Deep Belief Network Models of fMRI Data -- Feature Pyramid based Attention for Cervical Image Classification -- Single-scan Dual-tracer Separation Network Based on Pre-trained GRU -- PGU-net+: Progressive Growing of U-net+ for Automated Cervical Nuclei Segmentation -- Automated Classification of Arterioles and Venules for Retina Fundus Images using Dual Deeply-Supervised Network -- Liver Segmentation from Multimodal Images using HED-Mask R-CNN -- aEEG Signal Analysis with Ensemble Learning for Newborn Seizure Detection -- Speckle Noise Removal in Ultrasound Images Using A Deep Convolutional Neural Network and A Specially Designed Loss Function -- Automatic Sinus Surgery Skill Assessment Based on Instrument Segmentation and Tracking in Endoscopic Video -- U-Net Training with Instance-Layer Normalization.
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

Multiscale Multimodal Medical Imaging : First International Workshop, MMMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings [documento electrónico] / Li, Quanzheng, ; Leahy, Richard, ; Dong, Bin, ; Li, Xiang,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - X, 109 p. 55 ilustraciones, 46 ilustraciones en color.
ISBN : 978-3-030-37969-8
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  Aprendizaje automático  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado
Índice Dewey:	006.37 Visión artificial
Resumen:	Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Imágenes Médicas Multimodales Multiescala, MMMI 2019, celebrado junto con MICCAI 2019 en Shenzhen, China, en octubre de 2019. Los 13 artículos presentados fueron cuidadosamente revisados ​​y seleccionados entre 18 presentaciones. El taller MMMI tiene como objetivo avanzar en los últimos avances en imágenes médicas multimodales y a múltiples escalas, incluido el desarrollo de algoritmos, la implementación de metodologías y estudios experimentales. Los artículos se centran en el análisis de imágenes médicas y el aprendizaje automático, especialmente en métodos de aprendizaje automático para la fusión de datos y el aprendizaje de múltiples puntuaciones.
Nota de contenido:	Multi-Modal Image Prediction via Spatial Hybrid U-Net -- Automatic Segmentation of Liver CT Image Based on Dense Pyramid Network -- OctopusNet: A Deep Learning Segmentation Network for Multi-modal Medical Images -- Neural Architecture Search for Optimizing Deep Belief Network Models of fMRI Data -- Feature Pyramid based Attention for Cervical Image Classification -- Single-scan Dual-tracer Separation Network Based on Pre-trained GRU -- PGU-net+: Progressive Growing of U-net+ for Automated Cervical Nuclei Segmentation -- Automated Classification of Arterioles and Venules for Retina Fundus Images using Dual Deeply-Supervised Network -- Liver Segmentation from Multimodal Images using HED-Mask R-CNN -- aEEG Signal Analysis with Ensemble Learning for Newborn Seizure Detection -- Speckle Noise Removal in Ultrasound Images Using A Deep Convolutional Neural Network and A Specially Designed Loss Function -- Automatic Sinus Surgery Skill Assessment Based on Instrument Segmentation and Tracking in Endoscopic Video -- U-Net Training with Instance-Layer Normalization.
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