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