Uncertainty for Safe Utilization of Machine Learning in Medical Imaging
4th International Workshop, UNSURE 2022, Held in Conjunction with MICCAI 2022, Singapore, September 18, 2022, Proceedings
Sorozatcím: Lecture Notes in Computer Science; 13563;
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 58.84
-
24 403 Ft (23 241 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 20% (cc. 4 881 Ft off)
- Kedvezményes ár 19 522 Ft (18 593 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
24 403 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 1st ed. 2022
- Kiadó Springer Nature Switzerland
- Megjelenés dátuma 2022. szeptember 18.
- Kötetek száma 1 pieces, Book
- ISBN 9783031167485
- Kötéstípus Puhakötés
- Terjedelem147 oldal
- Méret 235x155 mm
- Súly 256 g
- Nyelv angol
- Illusztrációk X, 147 p. 39 illus., 32 illus. in color. Illustrations, black & white 296
Kategóriák
Hosszú leírás:
This book constitutes the refereed proceedings of the Fourth Workshop on Uncertainty for Safe Utilization of Machine Learning in Medical Imaging, UNSURE 2022, held in conjunction with MICCAI 2022. The conference was hybrid event held from Singapore. For this workshop, 13 papers from 22 submissions were accepted for publication. They focus on developing awareness and encouraging research in the field of uncertainty modelling to enable safe implementation of machine learning tools in the clinical world.
TöbbTartalomjegyzék:
Uncertainty Modelling.- MOrphologically-aware Jaccard-based ITerative Optimization (MOJITO) for Consensus Segmentation.- Quantification of Predictive Uncertainty via Inference-Time Sampling.- Uncertainty categories in medical image segmentation: a study of source-related diversity..- On the pitfalls of entropy-based uncertainty for multi-class semi-supervised segmentation.- What Do Untargeted Adversarial Examples Reveal In Medical Image Segmentation?..- Uncertainty calibration.- Improved post-hoc probability calibration for out-of-domain MRI segmentation..- Improving error detection in deep learning-based radiotherapy autocontouring using Bayesian uncertainty.- A Plug-and-Play Method to Compute Uncertainty.- Calibration of Deep Medical Image Classifiers: An Empirical Comparison using Dermatology and Histopathology Datasets.- Annotation uncertainty and out of distribution management.- nnOOD: A Framework for Benchmarking Self-supervised Anomaly Localisation Methods.- Generalized Probabilistic U-Net for medical image segmentation.- Joint paraspinal muscle segmentation and inter-rater labeling variability prediction with multi-task TransUNet.- Information Gain Sampling for Active Learning in Medical Image Classification.
Több
