Advances in Deep Generative Models for Medical Artificial Intelligence
Springer International Publishing (Verlag)
978-3-031-46343-3 (ISBN)
- Noch nicht erschienen - erscheint am 08.01.2025
- Versandkostenfrei innerhalb Deutschlands
- Auch auf Rechnung
- Verfügbarkeit in der Filiale vor Ort prüfen
- Artikel merken
Deep Learning Techniques for 3D-Volumetric Segmentation of Biomedical Images.- Analysis of GAN-based Data Augmentation for GI-Tract Disease Classification.- Deep generative adversarial network-based MRI slices reconstruction and enhancement for Alzheimer’s stages classification.- Evaluating the Quality and Diversity of DCGAN-based Generatively Synthesized Diabetic Retinopathy Imagery.- Deep Learning Approaches for End-to-End Modeling of Medical Spatiotemporal Data.- Skin Cancer Classification with Convolutional Deep Neural Networks and Vision Transformers using Transfer Learning.- A New CNN-Based Deep Learning Model Approach for Skin Cancer Detection and Classification.- Machine Learning Based Miscellaneous Objects Detection With Application to Cancer Images.- Advanced deep learning for heart sounds classification.
Erscheinungsdatum | 19.12.2024 |
---|---|
Reihe/Serie | Studies in Computational Intelligence |
Zusatzinfo | XVI, 248 p. 86 illus., 69 illus. in color. |
Verlagsort | Cham |
Sprache | englisch |
Maße | 155 x 235 mm |
Themenwelt | Mathematik / Informatik ► Informatik ► Datenbanken |
Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik | |
Medizin / Pharmazie ► Physiotherapie / Ergotherapie ► Orthopädie | |
Technik | |
Schlagworte | Artificial Intelligence • Cancer • Computational Intelligence • Covid-19 • Deep learning • Diagnosis • diffusion models • generative adversarial networks • Healthcare • Medical AI • Medical Imaging • Neural networks • prognosis • Segmentation |
ISBN-10 | 3-031-46343-9 / 3031463439 |
ISBN-13 | 978-3-031-46343-3 / 9783031463433 |
Zustand | Neuware |
Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
Haben Sie eine Frage zum Produkt? |
aus dem Bereich