Produktbild: Multiscale Multimodal Medical Imaging
Band 11977

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

51,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

20.12.2019

Abbildungen

X, 109 p. 55 illus., 46 illus. in color.

Herausgeber

Quanzheng Li + weitere

Verlag

Springer

Seitenzahl

109

Maße (L/B/H)

23,5/15,5/0,7 cm

Gewicht

195 g

Auflage

1st ed. 2020

Sprache

Englisch

ISBN

978-3-030-37968-1

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

20.12.2019

Abbildungen

X, 109 p. 55 illus., 46 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

109

Maße (L/B/H)

23,5/15,5/0,7 cm

Gewicht

195 g

Auflage

1st ed. 2020

Sprache

Englisch

ISBN

978-3-030-37968-1

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

  • Produktbild: Multiscale Multimodal Medical Imaging

  • 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.