Cantitate/Preț
Produs
Total produse
Vezi coșul
Deep Learning for Biomedical Image Reconstruction de Jong Chul Ye

Deep Learning for Biomedical Image Reconstruction

Editat de Jong Chul Ye, Yonina C Eldar, Michael Unser
en Limba Engleză Hardback – 12 oct 2023

Actualizarea majoră pe care o aduce acest volum constă în trecerea de la metodele tradiționale de reconstrucție bazate pe experți la integrarea sistematică a rețelelor neurale profunde în fluxul de lucru clinic. Reținem faptul că Deep Learning for Biomedical Image Reconstruction nu se rezumă la a prezenta deep learning-ul ca pe o simplă tehnică de implementare, ci îl fundamentează teoretic prin modelarea matematică a problemelor inverse. În comparație cu Introduction to Biomedical Imaging, Second Edition, care oferă cadrul general al tehnologiilor de achiziție, lucrarea de față se concentrează strict pe instrumentele practice de procesare a datelor brute pentru a obține imagini de înaltă fidelitate.

Structura volumului este riguros organizată în două secțiuni. Prima parte analizează formalizarea rețelelor neurale și geometria învățării profunde, oferind o perspectivă unificată asupra modului în care datele sunt transformate. A doua parte este dedicată aplicațiilor pe modalități specifice: reconstrucția în tomografia computerizată (CT), accelerarea MRI și utilizarea modelelor generative pentru a îmbunătăți calitatea imaginii. Această abordare continuă direcția începută de Jong Chul Ye în lucrarea sa anterioară, Geometry of Deep Learning, unde autorul explora procesarea semnalelor prin prisma arhitecturilor neuronale.

Considerăm că punctul forte al cărții este capitolul dedicat algoritmilor de 'unrolling', care permite cititorului să înțeleagă cum structurile matematice clasice pot fi integrate în arhitecturi deep learning pentru o mai mare transparență și eficiență. Ritmul este cel al unui manual avansat, alternând între demonstrații matematice și exemple de implementare în medii clinice reale.

Citește tot Restrânge

Preț: 64268 lei

Preț vechi: 80335 lei
-20%

Puncte Express: 964

Carte disponibilă

Livrare economică 07-21 mai
Livrare express 22-28 aprilie pentru 4600 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781316517512
ISBN-10: 1316517519
Pagini: 400
Dimensiuni: 170 x 246 x 24 mm
Greutate: 0.89 kg
Editura: Cambridge University Press
Locul publicării:Cambridge, United Kingdom

De ce să citești această carte

Recomandăm această carte cercetătorilor și studenților la inginerie biomedicală sau fizică medicală care doresc să implementeze soluții de ultimă oră în imagistică. Cititorul câștigă o înțelegere profundă a modului în care AI-ul poate reduce timpul de scanare MRI sau doza de radiații în CT, oferind un avantaj competitiv în dezvoltarea de software medical bazat pe dovezi matematice și clinice.

Despre autor

Editorii volumului sunt personalități marcante în domeniu. Jong Chul Ye este recunoscut pentru cercetările sale în geometria deep learning-ului și procesarea semnalelor, publicând anterior lucrări fundamentale precum Machine Learning for Medical Image Reconstruction. Yonina C Eldar este o autoritate în teoria eșantionării și optimizării, în timp ce Michael Unser este celebru pentru contribuțiile sale în analiza splines și procesarea imaginilor. Împreună, aceștia reunesc expertiza necesară pentru a transforma teoria matematică în aplicații medicale concrete prin intermediul Cambridge University Press.

Descriere scurtă

Discover the power of deep neural networks for image reconstruction with this state-of-the-art review of modern theories and applications. The background theory of deep learning is introduced step-by-step, and by incorporating modeling fundamentals this book explains how to implement deep learning in a variety of modalities, including X-ray, CT, MRI and others. Real-world examples demonstrate an interdisciplinary approach to medical image reconstruction processes, featuring numerous imaging applications. Recent clinical studies and innovative research activity in generative models and mathematical theory will inspire the reader towards new frontiers. This book is ideal for graduate students in Electrical or Biomedical Engineering or Medical Physics.

Cuprins

Part I. Theory of Deep Learning for Image Reconstruction Michael Unser: 1. Formalizing deep neural networks Jong Chul Ye and Sangmin Lee; 2. Geometry of deep learning Saiprasad Ravishankar, Zhishen Huang, Michael McCann and Siqi Ye; 3. Model-based reconstruction with learning: from unsupervised to supervised and beyond Yuelong Li, Or Bar-Shira, Vishal Monga and Yonina C. Eldar; 4. Deep algorithm unrolling for biomedical; Part II. Deep Learning Architecture for Various Imaging Modalities Haimiao Zhang, Bin Dong, Ge Wang and Baodong Liu: 5. Deep learning for CT image reconstruction Guang-Hong Chen, Chengzhu Zhang, Yinsheng Li, Yoseob Han and Jong Chul Ye; 6. Deep learning in CT reconstruction: bring the measured data to tasks Patricia Johnson and Florian Knoll; 7. Overview deep learning reconstruction of accelerated MRI Mathews Jacob, Hemant K. Aggarwal and Qing Zou; 8. Model-based deep learning algorithms for inverse problems Mehmet Akcakaya, Gyutaek Oh, Jong Chul Ye; 9. k-space deep learning for MR reconstruction and artifact removal Ruud J. G. van Sloun, Jong Chul Ye and Yonina C Eldar; 10. Deep learning for ultrasound beamforming Jaeyoung Huh, Shujaat Khan and Jong Chul Ye; 11. Ultrasound image artifact removal using deep neural network; Part III. Generative Models for Biomedical Imaging Jaejun Yoo, Michael Unser: 12. Deep generative models for biomedical image reconstruction Tolga C¸ukur, Mahmut Yurt, Salman Ul Hassan Dar, Hyungjin Chun and, Jong Chul Ye; 13. Image synthesis in multi-contrast MRI with generative adversarial networks Jaejun Yoo and Michael Unser; 14. Regularizing deep-neural-network paradigm for the reconstruction of dynamic magnetic resonance images Thanh-an Pham, Fangshu Yang and Michael Unser; 15. Regularizing neural network for phase unwrapping Michael T. McCann, Laur`ene Donati, Harshit Gupta and Michael Unser; 16. CryoGAN: a deep generative adversarial approach to single-particle cryo-em; Index.