Deep Learning and Convolutional Neural Networks for Medical Image Computing

Precision Medicine, High Performance and Large-Scale Datasets
 
 
Springer (Verlag)
  • erschienen am 12. Juli 2017
  • |
  • XIII, 326 Seiten
 
E-Book | PDF mit Adobe-DRM | Systemvoraussetzungen
E-Book | PDF mit Wasserzeichen-DRM | Systemvoraussetzungen
978-3-319-42999-1 (ISBN)
 

This book presents a detailed review of the state of the art in deep learning approaches for semantic object detection and segmentation in medical image computing, and large-scale radiology database mining. A particular focus is placed on the application of convolutional neural networks, with the theory supported by practical examples. Features: highlights how the use of deep neural networks can address new questions and protocols, as well as improve upon existing challenges in medical image computing; discusses the insightful research experience of Dr. Ronald M. Summers; presents a comprehensive review of the latest research and literature; describes a range of different methods that make use of deep learning for object or landmark detection tasks in 2D and 3D medical imaging; examines a varied selection of techniques for semantic segmentation using deep learning principles in medical imaging; introduces a novel approach to interleaved text and image deep mining on a large-scale radiology image database.

1st ed. 2017
  • Englisch
  • Cham
  • |
  • Schweiz
Springer International Publishing
  • 17 s/w Abbildungen, 100 farbige Abbildungen
  • |
  • 17 schwarz-weiße und 100 farbige Abbildungen, Bibliographie
  • 14,49 MB
978-3-319-42999-1 (9783319429991)
10.1007/978-3-319-42999-1
weitere Ausgaben werden ermittelt
Dr. Le Lu is a Staff Scientist in the Radiology and Imaging Sciences Department of the National Institutes of Health Clinical Center, Bethesda, MD, USA.
Dr. Yefeng Zheng is a Senior Staff Scientist at Siemens Healthcare Technology Center, Princeton, NJ, USA.
Dr. Gustavo Carneiro is an Associate Professor in the School of Computer Science at The University of Adelaide, Australia.
Dr. Lin Yang is an Associate Professor in the Department of Biomedical Engineering at the University of Florida, Gainesville, FL, USA.
Part I: Review

1. Deep Learning and Computer-Aided Diagnosis for Medical Image Processing: A Personal Perspective
Ronald M. Summers

2. Review of Deep Learning Methods in Mammography, Cardiovascular and Microscopy Image Analysis
Gustavo Carneiro, Yefeng Zheng, Fuyong Xing, and Lin Yang

· Part II: Detection and Localization

3. Efficient False-Positive Reduction in Computer-Aided Detection Using Convolutional Neural Networks and Random View Aggregation
Holger R. Roth, Le Lu, Jiamin Liu, Jianhua Yao, Ari Seff, Kevin Cherry, Lauren Kim, and Ronald M. Summers

4. Robust Landmark Detection in Volumetric Data with Efficient 3D Deep Learning
Yefeng Zheng, David Liu, Bogdan Georgescu, Hien Nguyen, and Dorin Comaniciu

5. A Novel Cell Detection Method Using Deep Convolutional Neural Network and Maximum-Weight Independent Set
Fujun Liu and Lin Yang

6. Deep Learning for Histopathological Image Analysis: Towards Computerized Diagnosis on Cancers
Jun Xu, Chao Zhou, Bing Lang, and Qingshan Liu

7. Interstitial Lung Diseases via Deep Convolutional Neural Networks: Segmentation Label Propagation, Unordered Pooling and Cross-Dataset Learning
Mingchen Gao, Ziyue Xu, Le Lu, and Daniel J. Mollura

8. Three Aspects on Using Convolutional Neural Networks for Computer-Aided Detection in Medical Imaging
Hoo-Chang Shin, Holger R. Roth, Mingchen Gao, Le Lu, Ziyue Xu, Isabella Nogues, Jianhua Yao, Daniel Mollura, and Ronald M. Summers

9. Cell Detection with Deep Learning Accelerated by Sparse Kernel
Junzhou Huang and Zheng Xu

10. Fully Convolutional Networks in Medical Imaging: Applications to Image Enhancement and Recognition
Christian Baumgartner, Ozan Oktay, and Daniel Rueckert

11. On the Necessity of Fine-Tuned Convolutional Neural Networks for Medical Imaging
Nima Tajbakhsh, Jae Y. Shin, Suryakanth R. Gurudu, R. Todd Hurst, Christopher B. Kendall, Michael B. Gotway, and Jianming Liang

· Part III: Segmentation

12. Fully Automated Segmentation Using Distance Regularized Level Set and Deep-Structured Learning and Inference
Tuan Anh Ngo and Gustavo Carneiro

13. Combining Deep Learning and Structured Prediction for Segmenting Masses in Mammograms
Neeraj Dhungel, Gustavo Carneiro, and Andrew P. Bradley

14. Deep Learning Based Automatic Segmentation of Pathological Kidney in CT: Local vs. Global Image Context
Yefeng Zheng, David Liu, Bogdan Georgescu, Daguang Xu, and Dorin Comaniciu

15. Robust Cell Detection and Segmentation in Histopathological Images using Sparse Reconstruction and Stacked Denoising Autoencoders
Hai Su, Fuyong Xing, Xiangfei Kong, Yuanpu Xie, Shaoting Zhang and Lin Yang

16. Automatic Pancreas Segmentation Using Coarse-to-Fine Superpixel Labeling
Amal Farag, Le Lu, Holger R. Roth, Jiamin Liu, Evrim Turkbey, and Ronald M. Summers

· Part IV: Big Dataset and Text-Image Deep Mining

17. Interleaved Text/Image Deep Mining on a Large-Scale Radiology Image Database
Hoo-Chang Shin, Le Lu, Lauren Kim, Ari Seff, Jianhua Yao, and Ronald Summers

Dewey Decimal Classfication (DDC)

Dateiformat: PDF
Kopierschutz: Adobe-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Installieren Sie bereits vor dem Download die kostenlose Software Adobe Digital Editions (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie bereits vor dem Download die kostenlose App Adobe Digital Editions (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nicht Kindle)

Das Dateiformat PDF zeigt auf jeder Hardware eine Buchseite stets identisch an. Daher ist eine PDF auch für ein komplexes Layout geeignet, wie es bei Lehr- und Fachbüchern verwendet wird (Bilder, Tabellen, Spalten, Fußnoten). Bei kleinen Displays von E-Readern oder Smartphones sind PDF leider eher nervig, weil zu viel Scrollen notwendig ist. Mit Adobe-DRM wird hier ein "harter" Kopierschutz verwendet. Wenn die notwendigen Voraussetzungen nicht vorliegen, können Sie das E-Book leider nicht öffnen. Daher müssen Sie bereits vor dem Download Ihre Lese-Hardware vorbereiten.

Bitte beachten Sie bei der Verwendung der Lese-Software Adobe Digital Editions: wir empfehlen Ihnen unbedingt nach Installation der Lese-Software diese mit Ihrer persönlichen Adobe-ID zu autorisieren!

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Dateiformat: PDF
Kopierschutz: Wasserzeichen-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Verwenden Sie zum Lesen die kostenlose Software Adobe Reader, Adobe Digital Editions oder einen anderen PDF-Viewer Ihrer Wahl (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie die kostenlose App Adobe Digital Editions oder eine andere Lese-App für E-Books (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nur bedingt: Kindle)

Das Dateiformat PDF zeigt auf jeder Hardware eine Buchseite stets identisch an. Daher ist eine PDF auch für ein komplexes Layout geeignet, wie es bei Lehr- und Fachbüchern verwendet wird (Bilder, Tabellen, Spalten, Fußnoten). Bei kleinen Displays von E-Readern oder Smartphones sind PDF leider eher nervig, weil zu viel Scrollen notwendig ist. Mit Wasserzeichen-DRM wird hier ein "weicher" Kopierschutz verwendet. Daher ist technisch zwar alles möglich - sogar eine unzulässige Weitergabe. Aber an sichtbaren und unsichtbaren Stellen wird der Käufer des E-Books als Wasserzeichen hinterlegt, sodass im Falle eines Missbrauchs die Spur zurückverfolgt werden kann.

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Download (sofort verfügbar)

90,94 €
inkl. 7% MwSt.
Download / Einzel-Lizenz
PDF mit Adobe-DRM
siehe Systemvoraussetzungen
E-Book bestellen

90,94 €
inkl. 7% MwSt.
Download / Einzel-Lizenz
PDF mit Wasserzeichen-DRM
siehe Systemvoraussetzungen
E-Book bestellen