Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 04.08.2026 ab einem Mindestbestellwert von 30€ auf Spielzeug, Schreibwaren, Filme, Geschenke & Trends, Musik, tolino eReader & Zubehör, Hörbücher und Hörbuch-Downloads (außer Abo), nicht preisgebundene Bücher und Kalender online auf thalia.at und in der Thalia App. Einzelne Artikel können ausgeschlossen sein. Aufgrund der Buchpreisbindung sind deutschsprachige Bücher und eBooks ausgenommen. Zusätzlich ausgenommen sind preisgebundene Artikel, Abos & Flatrates, eBooks, Games, Geschenkkarten/-boxen, Shelfies, Software, Zeitschriften sowie einzelne Artikel von tonies®. Pro Einkauf einmal einlösbar. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Versandkosten und Services. Preisgebundene Artikel sind vom Mindestbestellwert ausgeschlossen.
Produktbild: Supervised and Semi-supervised Multi-structure Segmentation and Landmark Detection in Dental Data
Band 15571 - 16%

Supervised and Semi-supervised Multi-structure Segmentation and Landmark Detection in Dental Data MICCAI 2024 Challenges: ToothFairy 2024, 3DTeethLand 2024, and STS 2024, Held in Conjunction with MICCAI 2024, Marrakesh, Morocco, October 6, 2024, Proceedings

Aus der Reihe Lecture Notes in Computer Science
16% sparen

127,99 € UVP 153,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

17.05.2025

Abbildungen

XVII, 77 illus., 72 illus. in color., farbige Illustrationen, schwarz-weiss Illustrationen

Herausgeber

Yaqi Wang + weitere

Verlag

Springer

Seitenzahl

242

Maße (L/B/H)

23,5/15,5/1,5 cm

Gewicht

400 g

Sprache

Englisch

ISBN

978-3-031-88976-9

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

17.05.2025

Abbildungen

XVII, 77 illus., 72 illus. in color., farbige Illustrationen, schwarz-weiss Illustrationen

Herausgeber

Verlag

Springer

Seitenzahl

242

Maße (L/B/H)

23,5/15,5/1,5 cm

Gewicht

400 g

Sprache

Englisch

ISBN

978-3-031-88976-9

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: GPSR Kontakt

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: Supervised and Semi-supervised Multi-structure Segmentation and Landmark Detection in Dental Data

  • ToothFairy2: Multi-Structure Segmentation in CBCT Volumes.-

    Inferior Alveolar Nerve Segmentation in CBCT Images Using Connectivity-based Selective Re-training.- Scaling nnU-Net for CBCT Segmentation.- DiENTeS: Dynamic ENTity Segmentation with Local-Global Transformers.- Enhanced Multi-Structure Segmentation in CBCT Images with Adaptive Structure Optimization.- Weakly-Supervised Convolutional Neural Networks for Inferior Alveolar Nerve Segmentation in CBCT images.- A Multi-Axial Network for Oral Structural Segmentation.- Automatic Multi-Structure Segmentation in Cone Beam Computed Tomography Volumes Using Deep Encoder-Decoder Architectures.- Video Foundation Model for Medical 3D Segmentation.-

    STS: Semi-supervised Teeth Segmentation.-

    A Two-Stage Semi-Supervised nnU-Net Model for Automated Tooth Segmentation in Panoramic X-ray Images.- Two-Stage Semi-Supervised nnU-Net Framework for Tooth Segmentation in CBCT Images.- SemiT-SAM: Building a Visual Foundation Model for Tooth Instance Segmentation on Panoramic Radiographs.- Multi-stage Dental Visual Detection Based on YOLOv8: Dental 3D CBCT.- Efficient Semi-Supervised Tooth Instance Segmentation in Panoramic X-rays Using ResUnet50 and SAM Networks.- DAE-Net: Dual Attention Embedding-based Tooth Instance Segmentation Approach for Panoramic X-ray Images.- A Self-Training Pipeline for Semi-Supervised 2D Teeth Instance Segmentation.- Deformable Inherent Consistent Learning Network for Accurate Tooth Segmentation in Dental Panoramic Radiographs.- Semi-Supervised 2D Dental Image Segmentation via Cross Teaching Network.- A Novel Two-Stage Approach for 3D Dental Tooth Instance Segmentation.- 

    3DTeethLand24: 3D Teeth Landmarks Detection Challenge.-

    A Two-Stage Framework with Dual-Branch Network for End-to-End 3D Tooth Landmark Detection.- Leveraging Point Transformers for Detecting Anatomical Landmarks in Digital Dentistry.- ToothInstanceNet: Comprehensive Information from Intra-Oral Scans by Integration of Large-Context and High-Resolution Predictions.