| Título : |
Uncertainty for Safe Utilization of Machine Learning in Medical Imaging and Clinical Image-Based Procedures : First International Workshop, UNSURE 2019, and 8th International Workshop, CLIP 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings |
| Tipo de documento: |
documento electrónico |
| Autores: |
Greenspan, Hayit, ; Tanno, Ryutaro, ; Erdt, Marius, ; Arbel, Tal, ; Baumgartner, Christian, ; Dalca, Adrian, ; Sudre, Carole H., ; Wells, William M., ; Drechsler, Klaus, ; Linguraru, Marius George, ; Oyarzun Laura, Cristina, ; Shekhar, Raj, ; Wesarg, Stefan, ; González Ballester, Miguel Ángel, |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2019 |
| Número de páginas: |
XVII, 192 p. 83 ilustraciones, 76 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-030-32689-0 |
| 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 Informática Médica Informática de la Salud |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2019, y el 8.º Taller Internacional sobre Procedimientos Clínicos Basados en Imágenes, CLIP 2019, celebrado junto con MICCAI 2019, en Shenzhen. , China, en octubre de 2019. Para UNSURE 2019, se aceptaron para publicación 8 artículos de 15 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. CLIP 2019 aceptó 11 artículos de las 15 presentaciones recibidas. Los talleres proporcionan un foro para el trabajo centrado en aplicaciones clínicas específicas, incluidas técnicas y procedimientos basados en imágenes clínicas integrales y otros datos. . |
| Nota de contenido: |
UNSURE 2019: Uncertainty quantification and noise modelling -- Probabilistic Surface Reconstruction with Unknown Correspondence -- Probabilistic Image Registration via Deep Multi-class Classification: Characterizing Uncertainty -- Propagating Uncertainty Across Cascaded Medical Imaging Tasks For Improved Deep Learning Inference -- Reg R-CNN: Lesion Detection and Grading under Noisy Labels -- Fast Nonparametric Mutual Information based Registration and Uncertainty Estimation -- Quantifying Uncertainty of deep neural networks in skin lesion classification -- UNSURE 2019: Domain shift robustness -- A Generalized Approach to Determine Confident Samples for Deep Neural Networks on Unseen Data -- Out of distribution detection for intra-operative functional imaging -- CLIP 2019 -- A Clinical Measuring Platform for Building the Bridge across the Quantification of Pathological N-cells in Medical Imaging for Studies of Disease -- Spatiotemporal statistical model of anatomical landmarks on a human embryonic brain -- Spaciousness filters for non-contrast CT volume segmentation of the intestine region for emergency ileus diagnosis -- Recovering physiological changes in nasal anatomy with confidence estimates -- Synthesis of Medical Images Using GANs -- DPANet: A Novel Network Based on Dense Pyramid Feature Extractor and Dual Correlation Analysis Attention Modules for Colon Glands Segmentation -- Multi-instance deep learning with graph convolutional neural networks for diagnosis of kidney diseases using ultrasound imaging -- Data Augmentation from Sketch -- An automated CNN-based 3D anatomical landmark detection method to facilitate surface-based 3D facial shape analysis -- A Device-independent Novel Statistical Modeling for Cerebral TOF-MRA data Segmentation -- Three-dimensional face reconstruction from uncalibrated photographs: application to early detection of genetic syndromes. |
| 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 |
Uncertainty for Safe Utilization of Machine Learning in Medical Imaging and Clinical Image-Based Procedures : First International Workshop, UNSURE 2019, and 8th International Workshop, CLIP 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings [documento electrónico] / Greenspan, Hayit, ; Tanno, Ryutaro, ; Erdt, Marius, ; Arbel, Tal, ; Baumgartner, Christian, ; Dalca, Adrian, ; Sudre, Carole H., ; Wells, William M., ; Drechsler, Klaus, ; Linguraru, Marius George, ; Oyarzun Laura, Cristina, ; Shekhar, Raj, ; Wesarg, Stefan, ; González Ballester, Miguel Ángel, . - 1 ed. . - [s.l.] : Springer, 2019 . - XVII, 192 p. 83 ilustraciones, 76 ilustraciones en color. ISBN : 978-3-030-32689-0 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 Informática Médica Informática de la Salud |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro constituye las actas arbitradas del Primer Taller Internacional sobre Incertidumbre para la Utilización Segura del Aprendizaje Automático en Imágenes Médicas, UNSURE 2019, y el 8.º Taller Internacional sobre Procedimientos Clínicos Basados en Imágenes, CLIP 2019, celebrado junto con MICCAI 2019, en Shenzhen. , China, en octubre de 2019. Para UNSURE 2019, se aceptaron para publicación 8 artículos de 15 presentaciones. Se centran en desarrollar conciencia y fomentar la investigación en el campo del modelado de incertidumbre para permitir la implementación segura de herramientas de aprendizaje automático en el mundo clínico. CLIP 2019 aceptó 11 artículos de las 15 presentaciones recibidas. Los talleres proporcionan un foro para el trabajo centrado en aplicaciones clínicas específicas, incluidas técnicas y procedimientos basados en imágenes clínicas integrales y otros datos. . |
| Nota de contenido: |
UNSURE 2019: Uncertainty quantification and noise modelling -- Probabilistic Surface Reconstruction with Unknown Correspondence -- Probabilistic Image Registration via Deep Multi-class Classification: Characterizing Uncertainty -- Propagating Uncertainty Across Cascaded Medical Imaging Tasks For Improved Deep Learning Inference -- Reg R-CNN: Lesion Detection and Grading under Noisy Labels -- Fast Nonparametric Mutual Information based Registration and Uncertainty Estimation -- Quantifying Uncertainty of deep neural networks in skin lesion classification -- UNSURE 2019: Domain shift robustness -- A Generalized Approach to Determine Confident Samples for Deep Neural Networks on Unseen Data -- Out of distribution detection for intra-operative functional imaging -- CLIP 2019 -- A Clinical Measuring Platform for Building the Bridge across the Quantification of Pathological N-cells in Medical Imaging for Studies of Disease -- Spatiotemporal statistical model of anatomical landmarks on a human embryonic brain -- Spaciousness filters for non-contrast CT volume segmentation of the intestine region for emergency ileus diagnosis -- Recovering physiological changes in nasal anatomy with confidence estimates -- Synthesis of Medical Images Using GANs -- DPANet: A Novel Network Based on Dense Pyramid Feature Extractor and Dual Correlation Analysis Attention Modules for Colon Glands Segmentation -- Multi-instance deep learning with graph convolutional neural networks for diagnosis of kidney diseases using ultrasound imaging -- Data Augmentation from Sketch -- An automated CNN-based 3D anatomical landmark detection method to facilitate surface-based 3D facial shape analysis -- A Device-independent Novel Statistical Modeling for Cerebral TOF-MRA data Segmentation -- Three-dimensional face reconstruction from uncalibrated photographs: application to early detection of genetic syndromes. |
| 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 |
|  |
Uncertainty for Safe Utilization of Machine Learning in Medical Imaging and Clinical Image-Based Procedures
