این کتاب بررسی دقیقی از آخرین رویکردهای یادگیری عمیق برای تشخیص و تقسیم بندی اشیاء معنایی در محاسبات تصویر پزشکی و استخراج پایگاه داده رادیولوژی در مقیاس بزرگ ارائه می دهد. تاکید ویژه بر کاربرد شبکههای عصبی کانولوشنال، با تئوری که توسط مثالهای عملی پشتیبانی میشود، قرار میگیرد. ویژگیها: نشان میدهد که چگونه شبکههای عصبی عمیق میتوانند برای رسیدگی به سؤالات و پروتکلهای جدید و همچنین بهبود چالشهای فعلی در محاسبات تصویر پزشکی استفاده شوند. تجربه پژوهشی روشنگر دکتر رونالد ام. یک بررسی جامع از آخرین تحقیقات و ادبیات ارائه می دهد. طیف وسیعی از رویکردهای مختلف را توصیف می کند که از یادگیری عمیق برای وظایف تشخیص اشیا یا نقطه عطف در تصویربرداری پزشکی دو بعدی و سه بعدی استفاده می کند. انواع تکنیک های تقسیم بندی معنایی را با استفاده از اصول یادگیری عمیق در تصویربرداری پزشکی مطالعه می کند. یک رویکرد جدید برای استخراج متن و تصویر عمیق در پایگاه داده رادیوگرافی در مقیاس بزرگ ارائه می دهد.
Deep Learning and Convolutional Neural Networks for Medical Image Computing: Precision Medicine, High Performance and Large-Scale Datasets 2017
89,000 تومان
دانلود کتاب پزشکی یادگیری عمیق و شبکههای عصبی کانولوشنال برای محاسبات تصویر پزشکی: پزشکی دقیق، عملکرد بالا و مجموعههای داده در مقیاس بزرگ
نویسنده |
Gustavo Carneiro, Le Lu, Lin Yang, Yefeng Zheng |
---|---|
انتشارات |
Springer International Publishing |
زبان |
English |
تاریخ انتشار |
2017-07-24 |
تعداد صفحهها |
326 |
نوع فایل |
|
حجم |
14 MB |
سال انتشار |
2017 |
This book presents a detailed review of the state of the art in deep learning approaches for semantic object detection and segmentation in medical image computing, and large-scale radiology database mining. A particular focus is placed on the application of convolutional neural networks, with the theory supported by practical examples. Features: highlights how the use of deep neural networks can address new questions and protocols, as well as improve upon existing challenges in medical image computing; discusses the insightful research experience of Dr. Ronald M. Summers; presents a comprehensive review of the latest research and literature; describes a range of different methods that make use of deep learning for object or landmark detection tasks in 2D and 3D medical imaging; examines a varied selection of techniques for semantic segmentation using deep learning principles in medical imaging; introduces a novel approach to interleaved text and image deep mining on a large-scale radiology image database.