Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 02.09.2026 auf fremdsprachige Bücher in der Thalia App. Einzelne Artikel können ausgeschlossen sein. Ausgenommen sind preisgebundene Artikel & eBooks. 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 Geschenkkarten, Versandkosten und Services.
Produktbild: Medical Image Understanding and Analysis
Band 15918 - 19%

Medical Image Understanding and Analysis 29th Annual Conference, MIUA 2025, Leeds, UK, July 15–17, 2025, Proceedings, Part III

Aus der Reihe Lecture Notes in Computer Science
19% sparen

79,99 € UVP 98,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.07.2025

Abbildungen

XIII, 336 p. 99 illus., 92 illus. in color.

Herausgeber

Sharib Ali + weitere

Verlag

Springer

Seitenzahl

336

Maße (L/B/H)

23,5/15,5/2 cm

Gewicht

534 g

Sprache

Englisch

ISBN

978-3-031-98693-2

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.07.2025

Abbildungen

XIII, 336 p. 99 illus., 92 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

336

Maße (L/B/H)

23,5/15,5/2 cm

Gewicht

534 g

Sprache

Englisch

ISBN

978-3-031-98693-2

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

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: Medical Image Understanding and Analysis

  • .- Medical Image Segmentation.



    .- TransE2UNet: Edge Guided TransEfficientUNET for Generalized Colon Polyp Segmentation from Endoscopy Images.



    .- CA-Seg: An Attribute-based Medical Image Segmentation Framework for Unified Out-of-distributed Medical Image Segmentation.



    .- TotalSegmentator 2D: A Tool for Rapid Anatomical Structure Analysis.



    .- Promptable Cancer Segmentation Using Minimal Expert-curated Data.



    .- SPARS: Self-Play Adversarial Reinforcement Learning for Segmentation of Liver Tumours.



    .- Semantic Segmentation with Spreading Scribbles.



    .- A Hybrid Transformer-Graph Model for Multi-Class Lymph Node Segmentation in Histopathology.



    .- Exploring Context-Switching in Medical Image Retrieval Using Segmentation Models.



    .- Segmentation in Histopathology Utilising Simulated Masked Patches.



    .- A Feature-Driven Acquisition Strategy Using Scale-Invariant Descriptors for Deep Active Learning in Preclinical CT Segmentation.



    .- Quantifying Inter-Annotator Agreement and Generalist Model Limitations in Imaging Mass Cytometry Single Cell Segmentation.



    .- Subcortical Masks Generation in CT Images via Ensemble-Based Cross-Domain Label Transfer.



    .- DRASU-Net: Dual-backbone and Residual Atrous Squeeze module-aided U-Net Model for Polyp Segmentation.



    .- PolypDINO: Adapting DINOv2 for Domain Generalized Polyp Segmentation.



    .- Intraoperative Segmentation Through Deep Learning and Mask Post-processing in Laparoscopic Liver Surgery.



    .- Retinal and Vascular Image Analysis.



    .- Hessian-based Deep Retinal Vessel Segmentation with Extremely Few Annotations.



    .- Diffusion with Adversarial Fine-Tuning for Improving Rare Retinal Disease Diagnosis.



    .- Deep Learning for Cardiovascular Risk Assessment: Proxy Features from Carotid Sonography as Predictors of Arterial Damage.



    .- Enhanced Coronary Artery Segmentation in CTCA Using Bridging Centreline Integration.



    .- QD-RetNet: Efficient Retinal Disease Classification via Quantized Knowledge Distillation.



    .- Exploring the Effectiveness of Deep Features from Domain-Specific Foundation Models in Retinal Image Synthesis.



    .- GenVOG: A Diffusion Probabilistic Framework for Patient-Independent Pose-Guided Nystagmus Video-Oculography (VOG) Generation.



    .- Structurally Different Neural Network Blocks for the Segmentation of Atrial and Aortic Perivascular Adipose Tissue in Multi-centre CT Angiography Scans.