Handbook of Medical Image Computing and Computer Assisted Intervention by Zhou, S. Kevin; Rueckert, Daniel; Fichtinger, Gabor;

Sorozatcím: The MICCAI Society book Series;

20% KEDVEZMÉNY?
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.

Kiadói listaár EUR 197.00
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.

81 705 Ft (77 815 Ft + 5% áfa)
Kedvezmény(ek) 20% (cc. 16 341 Ft off)
Kedvezményes ár 65 365 Ft (62 252 Ft + 5% áfa)

81 705 Ft

Beszerezhetőség

Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.

A termék adatai:

Kiadó Elsevier Science
Megjelenés dátuma 2019. október 19.

ISBN 9780128161760
Kötéstípus Keménykötés
Terjedelem1072 oldal
Méret 234x190 mm
Súly 2270 g
Nyelv angol

Kategóriák

Mesterséges intelligencia Digitális jel-, hang- és képfeldolgozás További könyvek a számítástechnika területén Mesterséges intelligencia (karitatív célú kampány) Digitális jel-, hang- és képfeldolgozás (karitatív célú kampány) További könyvek a számítástechnika területén (karitatív célú kampány)

Hosszú leírás:

Handbook of Medical Image Computing and Computer Assisted Intervention presents important advanced methods and state-of-the art research in medical image computing and computer assisted intervention, providing a comprehensive reference on current technical approaches and solutions, while also offering proven algorithms for a variety of essential medical imaging applications. This book is written primarily for university researchers, graduate students and professional practitioners (assuming an elementary level of linear algebra, probability and statistics, and signal processing) working on medical image computing and computer assisted intervention.

Több

Tartalomjegyzék:

1. Image synthesis and superresolution in medical imaging
Jerry L. Prince, Aaron Carass, Can Zhao, Blake E. Dewey, Snehashis Roy, Dzung L. Pham
2. Machine learning for image reconstruction
Kerstin Hammernik, Florian Knoll
3. Liver lesion detection in CT using deep learning techniques
Avi Ben-Cohen, Hayit Greenspan
4. CAD in lung
Kensaku Mori
5. Text mining and deep learning for disease classification
Yifan Peng, Zizhao Zhang, Xiaosong Wang, Lin Yang, Le Lu
6. Multiatlas segmentation
Bennett A. Landman, Ilwoo Lyu, Yuankai Huo, Andrew J. Asman
7. Segmentation using adversarial image-to-image networks
Dong Yang, Tao Xiong, Daguang Xu, S. Kevin Zhou
8. Multimodal medical volumes translation and segmentation with generative adversarial network
Zizhao Zhang, Lin Yang, Yefeng Zheng
9. Landmark detection and multiorgan segmentation: Representations and supervised approaches
S. Kevin Zhou, Zhoubing Xu
10. Deep multilevel contextual networks for biomedical image segmentation
Hao Chen, Qi Dou, Xiaojuan Qi, Jie-Zhi Cheng, Pheng-Ann Heng
11. LOGISMOS-JEI: Segmentation using optimal graph search and just-enough interaction
Honghai Zhang, Kyungmoo Lee, Zhi Chen, Satyananda Kashyap, Milan Sonka
12. Deformable models, sparsity and learning-based segmentation for cardiac MRI based analytics
Dimitris N. Metaxas, Zhennan Yan
13. Image registration with sliding motion
Mattias P. Heinrich, Bartlomiej W. Papiez?
14. Image registration using machine and deep learning
Xiaohuan Cao, Jingfan Fan, Pei Dong, Sahar Ahmad, Pew-Thian Yap, Dinggang Shen
15. Imaging biomarkers in Alzheimer's disease
Carole H. Sudre, M. Jorge Cardoso, Marc Modat, Sebastien Ourselin
16. Machine learning based imaging biomarkers in large scale population studies: A neuroimaging perspective
Guray Erus, Mohamad Habes, Christos Davatzikos
17. Imaging biomarkers for cardiovascular diseases
Avan Suinesiaputra, Kathleen Gilbert, Beau Pontre, Alistair A. Young
18. Radiomics
Martijn P.A. Starmans, Sebastian R. van der Voort, Jose M. Castillo Tovar, Jifke F. Veenland, Stefan Klein, Wiro J. Niessen
19. Random forests in medical image computing
Ender Konukoglu, Ben Glocker
20. Convolutional neural networks
Jonas Teuwen, Nikita Moriakov
21. Deep learning: RNNs and LSTM
Robert DiPietro, Gregory D. Hager
22. Deep multiple instance learning for digital histopathology
Maximilian Ilse, Jakub M. Tomczak, Max Welling
23. Deep learning: Generative adversarial networks and adversarial methods
Jelmer M. Wolterink, Konstantinos Kamnitsas, Christian Ledig, Ivana Isgum
24. Linear statistical shape models and landmark location
T.F. Cootes
25. Computer-integrated interventional medicine: A 30 year perspective
Russell H. Taylor
26. Technology and applications in interventional imaging: 2D X-ray radiography/fluoroscopy and 3D cone-beam CT
Sebastian Schafer, Jeffrey H. Siewerdsen
27. Interventional imaging: MR
Eva Rothgang, William S. Anderson, Elodie Breton, Afshin Gangi, Julien Garnon, Bennet Hensen, Brendan F. Judy, Urte Kï¿1⁄2gebein, Frank K. Wacker
28. Interventional imaging: Ultrasound
Ilker Hacihaliloglu, Elvis C.S. Chen, Parvin Mousavi, Purang Abolmaesumi, Emad Boctor, Cristian A. Linte
29. Interventional imaging: Vision
Stefanie Speidel, Sebastian Bodenstedt, Francisco Vasconcelos, Danail Stoyanov
30. Interventional imaging: Biophotonics
Daniel S. Elson
31. External tracking devices and tracked tool calibration
Elvis C.S. Chen, Andras Lasso, Gabor Fichtinger
32. Image-based surgery planning
Caroline Essert, Leo Joskowicz
33. Human-machine interfaces for medical imaging and clinical interventions
Roy Eagleson, Sandrine de Ribaupierre
34. Robotic interventions
Sang-Eun Song
35. System integration
Andras Lasso, Peter Kazanzides
36. Clinical translation
Aaron Fenster
37. Interventional procedures training
Tamas Ungi, Matthew Holden, Boris Zevin, Gabor Fichtinger
38. Surgical data science
Gregory D. Hager, Lena Maier-Hein, S. Swaroop Vedula
39. Computational biomechanics for medical image analysis
Adam Wittek, Karol Miller
40. Challenges in Computer Assisted Interventions
P. Stefan, J. Traub, C. Hennersperger, M. Esposito, N. Navab