یادگیری عمیق و شبکه های عصبی کانولوشن برای تصویربرداری پزشکی و انفورماتیک بالینی ۲۰۱۹
Deep Learning and Convolutional Neural Networks for Medical Imaging and Clinical Informatics 2019

دانلود کتاب یادگیری عمیق و شبکه های عصبی کانولوشن برای تصویربرداری پزشکی و انفورماتیک بالینی ۲۰۱۹ (Deep Learning and Convolutional Neural Networks for Medical Imaging and Clinical Informatics 2019) با لینک مستقیم و فرمت pdf (پی دی اف)

نویسنده	Gustavo Carneiro, Le Lu, Lin Yang, Xiaosong Wang

ناشر: Springer International Publishing

دسته: بیوشیمی پزشکی, پزشکی, پیراپزشکی, فناوری های تصویربرداری

۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید

سال انتشار	2019
زبان	English
تعداد صفحه‌ها	461
نوع فایل	pdf
حجم	20 Mb

🏷️ قیمت اصلی: 200,000 تومان بود.قیمت فعلی: 129,000 تومان.

دانلود مستقیم PDF

ارسال فایل به ایمیل

پشتیبانی ۲۴ ساعته

هوش‌مصنوعی ترجمه کالیبو

توضیحات

معرفی کتاب یادگیری عمیق و شبکه های عصبی کانولوشن برای تصویربرداری پزشکی و انفورماتیک بالینی ۲۰۱۹

این کتاب به بررسی آخرین دستاوردهای رویکردهای یادگیری عمیق در تشخیص قوی و با عملکرد بالای بیماری، قطعه بندی قوی و دقیق اعضا در محاسبات تصویربرداری پزشکی (روش های تصویربرداری رادیولوژیک و پاتولوژیک) و ساخت و استخراج داده از پایگاه های داده رادیولوژی در مقیاس بزرگ می پردازد. به طور خاص، بر کاربرد شبکه های عصبی کانولوشنال و شبکه های عصبی بازگشتی مانند LSTM، با استفاده از مثال های عملی متعدد برای تکمیل نظریه، تمرکز دارد.

ویژگی های اصلی کتاب به شرح زیر است: نشان می دهد که چگونه می توان از شبکه های عصبی عمیق برای پرداختن به پرسش ها و پروتکل های جدید و مقابله با چالش های کنونی در محاسبات تصویربرداری پزشکی استفاده کرد. یک بررسی جامع از آخرین تحقیقات و مقالات ارائه می دهد؛ و طیف وسیعی از روش های مختلف را که از یادگیری عمیق برای وظایف تشخیص اشیاء یا نقاط مرجع در تصویربرداری پزشکی دو بعدی و سه بعدی استفاده می کنند، شرح می دهد. علاوه بر این، کتاب مجموعه گسترده ای از تکنیک ها برای قطعه بندی معنایی با استفاده از اصول یادگیری عمیق در تصویربرداری پزشکی را بررسی می کند. یک رویکرد جدید برای تعبیه سازی عمیق متن و تصویر برای یک پایگاه داده بزرگ از تصاویر رادیوگرافی قفسه سینه معرفی می کند؛ و بحث می کند که چگونه می توان از نمودارهای رابطه ای یادگیری عمیق برای سازماندهی مجموعه قابل توجهی از یافته های رادیولوژی از عمل بالینی واقعی استفاده کرد و امکان بازیابی مبتنی بر شباهت معنایی را فراهم نمود.

مخاطب هدف این کتاب ویراسته، یک مهندس حرفه ای، دانشمند یا دانشجوی تحصیلات تکمیلی است که قادر به درک مفاهیم کلی پردازش تصویر، بینایی کامپیوتر و آنالیز تصویر پزشکی است. آن ها می توانند علوم کامپیوتر و اصول ریاضی را در عمل حل مسئله به کار ببرند. ممکن است داشتن سطح معینی از آشنایی با تعدادی از موضوعات پیشرفته تر ضروری باشد: تشکیل و بهبود تصویر، درک تصویر، تشخیص بصری در کاربردهای پزشکی، یادگیری آماری، شبکه های عصبی عمیق، پیش بینی ساختاریافته و قطعه بندی تصویر.

توضیحات(انگلیسی)

This book reviews the state of the art in deep learning approaches to high-performance robust disease detection, robust and accurate organ segmentation in medical image computing (radiological and pathological imaging modalities), and the construction and mining of large-scale radiology databases. It particularly focuses on the application of convolutional neural networks, and on recurrent neural networks like LSTM, using numerous practical examples to complement the theory.
The book’s chief features are as follows: It highlights how deep neural networks can be used to address new questions and protocols, and to tackle current challenges in medical image computing; presents a comprehensive review of the latest research and literature; and describes a range of different methods that employ deep learning for object or landmark detection tasks in 2D and 3D medical imaging. In addition, the book examines a broad selection of techniques for semantic segmentation using deep learning principles in medical imaging; introduces a novel approach to text and image deep embedding for a large-scale chest x-ray image database; and discusses how deep learning relational graphs can be used to organize a sizable collection of radiology findings from real clinical practice, allowing semantic similarity-based retrieval.

The intended reader of this edited book is a professional engineer, scientist or a graduate student who is able to comprehend general concepts of image processing, computer vision and medical image analysis. They can apply computer science and mathematical principles into problem solving practices. It may be necessary to have a certain level of familiarity with a number of more advanced subjects: image formation and enhancement, image understanding, visual recognition in medical applications, statistical learning, deep neural networks, structured prediction and image segmentation.