یادگیری عمیق و برچسب گذاری داده ها برای کاربردهای پزشکی: اولین کارگاه بین المللی، LABELS ۲۰۱۶، و دومین کارگاه بین المللی، DLMIA ۲۰۱۶، همزمان با MICCAI ۲۰۱۶، آتن، یونان، ۲۱ اکتبر ۲۰۱۶، مجموعه مقالات
Deep Learning and Data Labeling for Medical Applications: First International Workshop, LABELS 2016, and Second International Workshop, DLMIA 2016, Held in Conjunction with MICCAI 2016, Athens, Greece, October 21, 2016, Proceedings

این کتاب شامل مجموعه مقالات داوری شده ی دو کارگاه است که در نوزدهمین کنفرانس بین المللی محاسبات تصویربرداری پزشکی و مداخله به کمک کامپیوتر، MICCAI 2016، در آتن، یونان، در اکتبر 2016 برگزار شد: اولین کارگاه در مورد حاشیه نویسی در مقیاس بزرگ داده های زیست پزشکی و سنتز برچسب متخصص، LABELS 2016، و دومین کارگاه بین المللی یادگیری عمیق در تجزیه و تحلیل تصاویر پزشکی، DLMIA 2016. 28 مقاله اصلاح شده ی عادی ارائه شده در این کتاب با دقت بررسی و از مجموع 52 مقاله ارسالی انتخاب شده اند. 7 مقاله انتخاب شده برای LABELS به موضوعاتی از زمینه های زیر می پردازند: روش های برون سپاری جمعی؛ یادگیری فعال؛ یادگیری انتقالی؛ یادگیری نیمه نظارتی؛ و مدل سازی عدم قطعیت برچسب. 21 مقاله انتخاب شده برای DLMIA طیف گسترده ای از موضوعات را در بر می گیرند، مانند توصیف تصویر؛ تشخیص مبتنی بر تصویربرداری پزشکی؛ تشخیص مبتنی بر سیگنال پزشکی؛ بازسازی تصویر پزشکی و انتخاب مدل با استفاده از تکنیک های یادگیری عمیق؛ تکنیک های فراابتکاری برای تنظیم دقیق پارامتر در معماری های مبتنی بر یادگیری عمیق؛ و کاربردهای مبتنی بر تکنیک های یادگیری عمیق.

This book constitutes the refereed proceedings of two workshops held at the 19th International Conference on Medical Image Computing and Computer-Assisted Intervention, MICCAI 2016, in Athens, Greece, in October 2016: the First Workshop on Large-Scale Annotation of Biomedical Data and Expert Label Synthesis, LABELS 2016, and the Second International Workshop on Deep Learning in Medical Image Analysis, DLMIA 2016. The 28 revised regular papers presented in this book were carefully reviewed and selected from a total of 52 submissions. The 7 papers selected for LABELS deal with topics from the following fields: crowd-sourcing methods; active learning; transfer learning; semi-supervised learning; and modeling of label uncertainty.The 21 papers selected for DLMIA span a wide range of topics such as image description; medical imaging-based diagnosis; medical signal-based diagnosis; medical image reconstruction and model selection using deep learning techniques; meta-heuristic techniques for fine-tuning parameter in deep learning-based architectures; and applications based on deep learning techniques.