تشخیص و تقسیم بندی خودکار ساختارهای آناتومیک در تصاویر پزشکی پیش نیازی برای اندازه گیری تصویر بعدی و تعیین کمیت بیماری است و بنابراین کاربردهای بالینی متعددی دارد. این کتاب یک چارچوب تشخیص و تقسیم بندی شی قدرتمند به نام یادگیری فضای حاشیه ای را معرفی می کند که کمتر از یک ثانیه در رایانه رومیزی امروزی اجرا می شود، سریعتر از آخرین فناوری. آموزش فضای حاشیه ای با تعداد کافی مجموعه داده، تحت تأثیرات تصویربرداری، نویز و تغییرات آناتومیکی نیز قوی است. این کتاب 35 کاربرد بالینی آموزش فضای حاشیهای و توسعههای آن را برای تشخیص و تقسیمبندی ساختارهای آناتومیکی مختلف مانند قلب، کبد، غدد لنفاوی و پروستات در روشهای اصلی تصویربرداری پزشکی (CT، MRI، اشعه ایکس، و سونوگرافی). کارایی و دوام آن.
Marginal Space Learning for Medical Image Analysis: Efficient Detection and Segmentation of Anatomical Structures 2014
89,000 تومان
دانلود کتاب پزشکی یادگیری فضای حاشیه ای برای تجزیه و تحلیل تصویر پزشکی: تشخیص و تقسیم بندی موثر ساختارهای تشریحی
نویسنده |
Dorin Comaniciu, Yefeng Zheng |
---|---|
انتشارات |
Springer New York |
زبان |
English |
تاریخ انتشار |
2014-04-17 |
تعداد صفحهها |
268 |
نوع فایل |
|
حجم |
12 Mb |
سال انتشار |
2014 |
Automatic detection and segmentation of anatomical structures in medical images are prerequisites to subsequent image measurements and disease quantification, and therefore have multiple clinical applications. This book presents an efficient object detection and segmentation framework, called Marginal Space Learning, which runs at a sub-second speed on a current desktop computer, faster than the state-of-the-art. Trained with a sufficient number of data sets, Marginal Space Learning is also robust under imaging artifacts, noise and anatomical variations. The book showcases 35 clinical applications of Marginal Space Learning and its extensions to detecting and segmenting various anatomical structures, such as the heart, liver, lymph nodes and prostate in major medical imaging modalities (CT, MRI, X-Ray and Ultrasound), demonstrating its efficiency and robustness.