Metody przetwarzania danych wielomodalnych... Nowe Brzesko

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 …

od 40,75 Najbliżej: 36 km

Liczba ofert: 1

Oferta sklepu

Opis

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 5. Wnioski końcowe 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

Specyfikacja

Podstawowe informacje

Wydawnictwo
  • Exit
Rok wydania
  • 2026
ISBN
  • 9788378371663