Título :	Ophthalmic Medical Image Analysis : 7th International Workshop, OMIA 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings
Tipo de documento:	documento electrónico
Autores:	Fu, Huazhu, ; Garvin, Mona K., ; MacGillivray, Tom, ; Xu, Yanwu, ; Zheng, Yalin,
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2020
Número de páginas:	IX, 218 p. 19 ilustraciones
ISBN/ISSN/DL:	978-3-030-63419-3
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  Inteligencia artificial  Sistemas de reconocimiento de patrones  Ingeniería Informática  Red de computadoras  Reconocimiento de patrones automatizado  Ingeniería Informática y Redes
Índice Dewey:	006.37 Visión artificial
Resumen:	Este libro constituye las actas arbitradas del 6º Taller Internacional sobre Análisis de Imágenes Médicas Oftálmicas, OMIA 2020, celebrado junto con la 23ª Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2020, en Lima, Perú, en octubre de 2020. El taller se realizó de manera virtual debido a la crisis del COVID-19. Los 21 artículos presentados en OMIA 2020 fueron cuidadosamente revisados ​​y seleccionados entre 34 presentaciones. Los artículos cubren diversos temas en el campo del análisis de imágenes médicas oftálmicas y desafíos en términos de confiabilidad y validación, número y tipo de condiciones consideradas, análisis multimodal (p. ej., fondo de ojo, tomografía de coherencia óptica, oftalmoscopia con láser de escaneo), nuevas tecnologías de imágenes. y la transferencia efectiva de tecnologías avanzadas de visión por computadora y aprendizaje automático.
Nota de contenido:	Bio-Inspired Attentive Segmentation of Retinal OCT imaging -- DR detection using Optical Coherence Tomography Angiography (OCTA): a transfer learning approach with robustness analysis -- What is the optimal attribution method for explainable ophthalmic disease classification? -- DeSupGAN: Multi-scale Feature Averaging Generative Adversarial Network for Simultaneous De-blurring and Super-resolution of Retinal Fundus Images -- Encoder-Decoder Networks for Retinal Vessel Segmentation using Large Multi-Scale Patches -- Retinal Image Quality Assessment via Specific Structures Segmentation -- Cascaded Attention Guided Network for Retinal Vessel Segmentation -- Self-supervised Denoising via Diffeomorphic Template Estimation: Application to Optical Coherence Tomography -- Automated Detection of Diabetic Retinopathy From Smartphone Fundus Videos -- Optic Disc, Cup and Fovea Detection from Retinal Images using U-Net++ with EfficientNet Encoder -- Multi-level Light U-Net and Atrous Spatial Pyramid Poolingfor Optic Disc Segmentation on Fundus Image -- An Interactive Approach to Region of Interest Selection in Cytologic Analysis of Uveal Melanoma Based on Unsupervised Clustering -- Retinal OCT Denoising with Pseudo-Multimodal Fusion Network -- Deep-Learning-Based Estimation of 3D Optic-Nerve-Head Shape from 2D Color Fundus Photographs in Cases of Optic Disc Swelling -- Weakly supervised retinal detachment segmentation using deep feature propagation learning in SD-OCT images -- A framework for the discovery of retinal biomarkers in Optical Coherence Tomography Angiography (OCTA) -- An Automated Aggressive Posterior Retinopathy of Prematurity Diagnosis System by Squeeze and Excitation Hierarchical Bilinear Pooling Network -- Weakly-Supervised Lesion-aware and Consistency Regularization for Retinitis Pigmentosa Detection from Ultra-widefield Images -- A Conditional Generative Adversarial Network-based Method for Eye Fundus Image Quality Enhancement -- Construction of quantitative indexes for cataract surgery evaluation based on deep learning -- Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis and Uncertainty Quantification.
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

Ophthalmic Medical Image Analysis : 7th International Workshop, OMIA 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings [documento electrónico] / Fu, Huazhu, ; Garvin, Mona K., ; MacGillivray, Tom, ; Xu, Yanwu, ; Zheng, Yalin,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - IX, 218 p. 19 ilustraciones.
ISBN : 978-3-030-63419-3
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  Inteligencia artificial  Sistemas de reconocimiento de patrones  Ingeniería Informática  Red de computadoras  Reconocimiento de patrones automatizado  Ingeniería Informática y Redes
Índice Dewey:	006.37 Visión artificial
Resumen:	Este libro constituye las actas arbitradas del 6º Taller Internacional sobre Análisis de Imágenes Médicas Oftálmicas, OMIA 2020, celebrado junto con la 23ª Conferencia Internacional sobre Imágenes Médicas e Intervención Asistida por Computadora, MICCAI 2020, en Lima, Perú, en octubre de 2020. El taller se realizó de manera virtual debido a la crisis del COVID-19. Los 21 artículos presentados en OMIA 2020 fueron cuidadosamente revisados ​​y seleccionados entre 34 presentaciones. Los artículos cubren diversos temas en el campo del análisis de imágenes médicas oftálmicas y desafíos en términos de confiabilidad y validación, número y tipo de condiciones consideradas, análisis multimodal (p. ej., fondo de ojo, tomografía de coherencia óptica, oftalmoscopia con láser de escaneo), nuevas tecnologías de imágenes. y la transferencia efectiva de tecnologías avanzadas de visión por computadora y aprendizaje automático.
Nota de contenido:	Bio-Inspired Attentive Segmentation of Retinal OCT imaging -- DR detection using Optical Coherence Tomography Angiography (OCTA): a transfer learning approach with robustness analysis -- What is the optimal attribution method for explainable ophthalmic disease classification? -- DeSupGAN: Multi-scale Feature Averaging Generative Adversarial Network for Simultaneous De-blurring and Super-resolution of Retinal Fundus Images -- Encoder-Decoder Networks for Retinal Vessel Segmentation using Large Multi-Scale Patches -- Retinal Image Quality Assessment via Specific Structures Segmentation -- Cascaded Attention Guided Network for Retinal Vessel Segmentation -- Self-supervised Denoising via Diffeomorphic Template Estimation: Application to Optical Coherence Tomography -- Automated Detection of Diabetic Retinopathy From Smartphone Fundus Videos -- Optic Disc, Cup and Fovea Detection from Retinal Images using U-Net++ with EfficientNet Encoder -- Multi-level Light U-Net and Atrous Spatial Pyramid Poolingfor Optic Disc Segmentation on Fundus Image -- An Interactive Approach to Region of Interest Selection in Cytologic Analysis of Uveal Melanoma Based on Unsupervised Clustering -- Retinal OCT Denoising with Pseudo-Multimodal Fusion Network -- Deep-Learning-Based Estimation of 3D Optic-Nerve-Head Shape from 2D Color Fundus Photographs in Cases of Optic Disc Swelling -- Weakly supervised retinal detachment segmentation using deep feature propagation learning in SD-OCT images -- A framework for the discovery of retinal biomarkers in Optical Coherence Tomography Angiography (OCTA) -- An Automated Aggressive Posterior Retinopathy of Prematurity Diagnosis System by Squeeze and Excitation Hierarchical Bilinear Pooling Network -- Weakly-Supervised Lesion-aware and Consistency Regularization for Retinitis Pigmentosa Detection from Ultra-widefield Images -- A Conditional Generative Adversarial Network-based Method for Eye Fundus Image Quality Enhancement -- Construction of quantitative indexes for cataract surgery evaluation based on deep learning -- Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis and Uncertainty Quantification.
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