• Fri frakt över 249 kr
  • •
  • Snabba leveranser
  • •
  • Billiga böcker
Kundservice

Du är på sajten för privatpersoner.

Företag, bibliotek eller offentlig verksamhet?

Du handlar på classic.bokus.com, där alla dina funktioner finns intakta.
Till classic.bokus.com
Bokus logotyp. Gå till startsidan.
  • Erbjudanden
  • Nyheter
  • Student
  • Topplistor
  • Barn & ungdom
  • Bokus Play
  • E-böcker
  • Pocketböcker
  • Spel & pussel

10% rabatt på allt med kod NYSTART10 →

Sidfot

Mina sidor

    Hjälp

    • Kundservice
    • Vanliga frågor och svar
    • Frakt och leverans
    • Retur vid ångerrätt
    • Reklamera vara
    • Betalning
    • Köpvillkor
    • Allmänna villkor
    • Information om webbplatsens tillgänglighet

    Om Bokus

    • Om oss
    • Pressrum
    • För studenter
    • För företag
    • För bibliotek och offentlig verksamhet
    • För leverantörer
    • Hållbarhet

    Populärt

    • Aktuella erbjudanden
    • Presentkort
    • Studentlitteratur
    • Nya böcker
    • Topplistor
    • Signerade böcker
    • Engelska böcker

    Inspiration

    • Boktips
    • BookTok
    • Populära bokserier
    • Barnbokskaraktärer
    • Populära författare
    Logotyp för Bokus
    Följ oss på Facebook (extern länk)Följ oss på Instagram (extern länk)Följ oss på YouTube (extern länk)Följ oss på TikTok (extern länk)
    bokus @ CookiesAnpassa cookiesIntegritetspolicyKöpvillkor
    Till Citymail hemsida (extern länk)Till Budbee hemsida (extern länk)Till Postnord hemsida (extern länk)Till Schenker hemsida (extern länk)Till Early Bird hemsida (extern länk)Till Walleys hemsida (extern länk)
    1. Data och IT
    2. Systemvetenskap och AI

    Multiscale Multimodal Medical Imaging

    First International Workshop, MMMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings

    AvQuanzheng Li,Richard Leahy

    Häftad, Engelska, 2019

    Del 11977 i serien Lecture Notes in Computer Science

    563 kr

    Beställningsvara. Skickas inom 10-15 vardagar. Fri frakt över 249 kr.

    Beskrivning

    This book constitutes the refereed proceedings of the First International Workshop on Multiscale Multimodal Medical Imaging, MMMI 2019, held in conjunction with MICCAI 2019 in Shenzhen, China, in October 2019.The 13 papers presented were carefully reviewed and selected from 18 submissions. The MMMI workshop aims to advance the state of the art in multi-scale multi-modal medical imaging, including algorithm development, implementation of methodology, and experimental studies. The papers focus on medical image analysis and machine learning, especially on machine learning methods for data fusion and multi-score learning.

    Produktinformation

    • Utgivningsdatum:2019-12-20
    • Mått:155 x 235 x 7 mm
    • Vikt:195 g
    • Format:Häftad
    • Språk:Engelska
    • Serie:Lecture Notes in Computer Science
    • Antal sidor:109
    • Förlag:Springer Nature Switzerland AG
    • ISBN:9783030379681

    Utforska kategorier

    • Systemvetenskap och AI inom Data och IT

    Innehållsförteckning

    • Multi-Modal Image Prediction via Spatial Hybrid U-Net.- Automatic Segmentation of Liver CT Image Based on Dense Pyramid Network.- OctopusNet: A Deep Learning Segmentation Network for Multi-modal Medical Images.- Neural Architecture Search for Optimizing Deep Belief Network Models of fMRI Data.- Feature Pyramid based Attention for Cervical Image Classification.- Single-scan Dual-tracer Separation Network Based on Pre-trained GRU.- PGU-net+: Progressive Growing of U-net+ for Automated Cervical Nuclei Segmentation.- Automated Classification of Arterioles and Venules for Retina Fundus Images using Dual Deeply-Supervised Network.- Liver Segmentation from Multimodal Images using HED-Mask R-CNN.- aEEG Signal Analysis with Ensemble Learning for Newborn Seizure Detection.- Speckle Noise Removal in Ultrasound Images Using A Deep Convolutional Neural Network and A Specially Designed Loss Function.- Automatic Sinus Surgery Skill Assessment Based on Instrument Segmentation and Tracking in Endoscopic Video.- U-Net Training with Instance-Layer Normalization.