یادگیری ماشین برای بازسازی تصاویر پزشکی: دومین کارگاه بین المللی، MLMIR ۲۰۱۹، همزمان با MICCAI ۲۰۱۹، شنژن، چین، ۱۷ اکتبر ۲۰۱۹، مجموعه مقالات
Machine Learning for Medical Image Reconstruction: Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings

دانلود کتاب یادگیری ماشین برای بازسازی تصاویر پزشکی: دومین کارگاه بین المللی، MLMIR ۲۰۱۹، همزمان با MICCAI ۲۰۱۹، شنژن، چین، ۱۷ اکتبر ۲۰۱۹، مجموعه مقالات (Machine Learning for Medical Image Reconstruction: Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings) با لینک مستقیم و فرمت pdf (پی دی اف)

نویسنده	Andreas Maier, Daniel Rueckert, Florian Knoll, Jong Chul Ye

ناشر: Springer International Publishing

دسته: پزشکی, پزشکی عمومی

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

سال انتشار	2019
زبان	English
تعداد صفحه‌ها	266
نوع فایل	pdf
حجم	51 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 ماشین برای بازسازی تصاویر پزشکی: دومین کارگاه بین المللی، MLMIR ۲۰۱۹، همزمان با MICCAI ۲۰۱۹، شنژن، چین، ۱۷ اکتبر ۲۰۱۹، مجموعه مقالات

این کتاب، مجموعه مقالات داوری شده دومین کارگاه بین المللی یادگیری ماشین برای بازسازی پزشکی، MLMIR 2019، است که در ارتباط با MICCAI 2019، در شنژنِ چین، در اکتبر 2019 برگزار شد.

24 مقاله کامل ارائه شده، با دقت بررسی و از بین 32 مقاله ارسالی انتخاب شده اند. مقالات در بخش های موضوعی زیر سازماندهی شده اند: یادگیری عمیق برای تصویربرداری رزونانس مغناطیسی؛ یادگیری عمیق برای توموگرافی کامپیوتری؛ و یادگیری عمیق برای بازسازی تصویر به طور کلی.

توضیحات(انگلیسی)

This book constitutes the refereed proceedings of the Second International Workshop on Machine Learning for Medical Reconstruction, MLMIR 2019, held in conjunction with MICCAI 2019, in Shenzhen, China, in October 2019.

The 24 full papers presented were carefully reviewed and selected from 32 submissions. The papers are organized in the following topical sections: deep learning for magnetic resonance imaging; deep learning for computed tomography; and deep learning for general image reconstruction.