Przejdź do głównej treści

Infolinia 690 590 426 ❕ Darmowa dostawa od 220 zł ❕ Promocje do -40%

Darmowa dostawa od 220 zł 
Ulubione
Produkty w koszyku: 0. Zobacz szczegóły
Przejdź do sekcji Opinie

Metody przetwarzania danych wielomodalnych...

Exit

Spis treści:Wstęp1. Multimodalna architektura głębokiego uczenia z bayesowską korektą aktywacji do detekcji endometriozy na podstawie danych obrazowych, tekstowych i klinicznych 1.

Przejdź do pełnego opisu
Cena 47,25 zł
Niedostępny
Zapytaj o produkt
Udostępnij
Dostawa od 9,00 zł - DHL Punkt Odbioru

Opis produktu

Spis treści:

Wstęp

1. Multimodalna architektura głębokiego uczenia z bayesowską korektą aktywacji do detekcji endometriozy na podstawie danych obrazowych, tekstowych i klinicznych

1.1 Wprowadzenie

1.2. Analiza badań nad metodami uczenia maszynowego w zadaniu rozpoznawania endometriozy

1.3. Autorski model rozpoznawania endometriozy bazujący na danych multimodalnych

1.4. Ewaluacja eksperymentalna

1.5. Wnioski końcowe

2. Multimodalna analiza sygnałów biomedycznych w kontekście wczesnego wykrywania zawału serca

2.1. Wprowadzenie

2.2. Prace pokrewne związane z rozpoznawaniem sygnałów EKG i EEG

2.3. Autorski model

2.4. Ewaluacja eksperymentalna

2.5. Wnioski końcowe

3. Hybrydowe modele głębokiego uczenia w diagnostyce niewydolności żylnej

3.1. Wprowadzenie

3.2. Multimodalne podejście w diagnostyce układu żylnego - przegląd badań

3.3. Autorski model

3.4. Eksperymentalna weryfikacja modelu hybrydowego

3.5. Wnioski końcowe

4. Multimodalny system wspomagania decyzji klinicznych w diagnostyce nowotworów mózgu z wykorzystaniem mechanizmów wyjaśnialnej sztucznej inteligencji

4.1. Wprowadzenie

4.2. Paradygmat Trustworthy AI w neuroonkologii - przegląd dotychczasowych rozwiązań

4.3. Autorski model wykrywania zmian nowotworowych mózgu na podstawie danych multimodalnych

4.4. Ewaluacja eksperymentalna dla danych multimodalnych rozpoznawania i klasyfikacji nowotworów mózgu

4.5. Wnioski końcowe

5. Integracja danych multimodalnych w systemach wspomagania diagnostyki okulistycznej

5.1 .Wprowadzenie

5.2. Stan badań nad multimodalną fuzją danych w diagnostyce okulistycznej

5.3. Autorski model BDMF-Net jako podejście probabilistyczne do integracji danych multimodalnych

5.4. Ewaluacja eksperymentalna autorskiego modelu Byesian Deep Multimodal Fussion Network

5.5. Wnioski końcowe

6. Multimodadlna integracja wiedzy i niepewności w diagnostyce medycznej nowotworów skóry z wykoryzstaniem teorii Dempstera-Shafera

6.1. Wprowadzenie

6.2. Stan wiedzy i przegląd badań w obszarze multimodalnej diagnostyki medycznej zmian skórnych

6.3. Autorski model

6.4. Ewaluacja eksperymentalna

6.5. Wnioski końcowe

Zakończenie

Bibliografia



EAN: 9788378371663