Tom Fletcher – författare

Det här är berättelsen om en pojke vid namn William Trundle och en dinosaurie som heter Julosaurusen. De möts en julaftonskväll och hamnar mitt i ett alldeles magiskt äventyr tillsammans. På ett både roligt och fint sätt handlar boken om allt ifrån vänskap och familj, bjällror, jultomten, sjungande tomtenissar till flygande renar. Och om att mirakel ibland faktiskt kan ske, även om de kanske inte sker på exakt det sätt man först hade trott.  

Julosaurusen är en rolig och fullständigt ljuvlig berättelse om att upptäcka sitt hjärtas innersta önskan och om att lära sig att ingenting är omöjligt. Tom Fletcher har skrivit den mest underbara julberättelse både barn och vuxna kan önska sig julen är räddad!     

TOM FLETCHER är bästsäljande barnboksförfattare, popstjärna och vlogger med 660 000 följare och 130 miljoner YouTube-visningar. Hans böcker har översatts till 32 språk och sålt över en miljon exemplar.

"Genialisk" The Sun    

"Alla vuxna kommer att älska att få läsa högt ur den här charmiga och hjärtevärmande boken" The Daily Express  

Over the past 15 years, there has been a growing need in the medical image computing community for principled methods to process nonlinear geometric data. Riemannian geometry has emerged as one of the most powerful mathematical and computational frameworks for analyzing such data.

Riemannian Geometric Statistics in Medical Image Analysis is a complete reference on statistics on Riemannian manifolds and more general nonlinear spaces with applications in medical image analysis. It provides an introduction to the core methodology followed by a presentation of state-of-the-art methods.

Beyond medical image computing, the methods described in this book may also apply to other domains such as signal processing, computer vision, geometric deep learning, and other domains where statistics on geometric features appear. As such, the presented core methodology takes its place in the field of geometric statistics, the statistical analysis of data being elements of nonlinear geometric spaces. The foundational material and the advanced techniques presented in the later parts of the book can be useful in domains outside medical imaging and present important applications of geometric statistics methodology

Content includes:

As the methods described apply to domains such as signal processing (radar signal processing and brain computer interaction), computer vision (object and face recognition), and other domains where statistics of geometric features appear, this book is suitable for researchers and graduate students in medical imaging, engineering and computer science.