Deep Learning in Medical Image Processing and Analysis
Obrazy medyczne, w różnych formatach, są wykorzystywane przez klinicystów do identyfikacji nieprawidłowości lub markerów związanych z określonymi stanami, takimi jak nowotwory, choroby, nieprawidłowości lub inne niekorzystne warunki zdrowotne. Algorytmy głębokiego uczenia wykorzystują ogromne ilości danych, aby wytrenować komputer do rozpoznawania pewnych cech na obrazach, które są związane z chorobą lub stanem, który chcesz zidentyfikować.
Podczas gdy analiza obrazów na oko może zająć dużo czasu, algorytmy głębokiego uczenia mają tę zaletę, że przeglądają obrazy medyczne w szybszym tempie niż człowiek, co pomaga klinicystom, przyspieszając diagnozy i zwalniając czas klinicystów na inne obowiązki.
Deep Learning in Medical Image Processing and Analysis wprowadza podstawy głębokiego uczenia się do analizy obrazów biomedycznych w zastosowaniach obejmujących okulistykę, wykrywanie raka i chorób serca. Książka uwzględnia zasady selekcji cech wieloinstancyjnych, optymalizacji roju, modeli przetwarzania równoległego, sztucznych sieci neuronowych, maszyn wektorów nośnych, a także ich projektowania i optymalizacji w zastosowaniach biomedycznych. Omówione zostaną również takie tematy, jak bezpieczeństwo danych, poufność pacjentów, skuteczność i niezawodność.
Napisana przez międzynarodowy zespół ekspertów, ta zredagowana książka obejmuje zasady i zastosowania dla badaczy przemysłowych i akademickich, naukowców, inżynierów, programistów i projektantów w dziedzinie uczenia maszynowego, głębokiego uczenia się, sztucznej inteligencji, przetwarzania obrazu, przetwarzania sygnałów, informatyki lub dziedzin pokrewnych. Będzie ona również interesująca dla organów normalizacyjnych i regulacyjnych oraz klinicystów korzystających z modeli uczenia głębokiego.