fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf

Site Breadcrumb

Verkauf durch Sack Fachmedien

Nguyen / Jiang / Xing

Artificial Intelligence in Radiation Therapy

First International Workshop, AIRT 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings

Medium: Buch
ISBN: 978-3-030-32485-8
Verlag: Springer International Publishing
Erscheinungstermin: 18.10.2019
In den Warenkorb
Lieferfrist: bis zu 10 Tage
Auf die Merkliste Drucken
Leseprobe
Überschrift

Beschreibung

Kostenloser Versand

nach Deutschland, Österreich und in die Schweiz

Bequem zahlen

Rechnung, Kreditkarte, PayPal oder Bankeinzug

Wir sind gerne für Sie da

0800 000-1378 (Inland)
service@fachmedien.de
<<Kontaktformular>>

Fragen

Fragen Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua
Anwtorten

Anwtorten At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet

This book constitutes the refereed proceedings of the First International Workshop on Connectomics in Artificial Intelligence in Radiation Therapy, AIRT 2019, held in conjunction with MICCAI 2019 in Shenzhen, China, in October 2019.

The 20 full papers presented were carefully reviewed and selected from 24 submissions. The papers discuss the state of radiation therapy, the state of AI and related technologies, and hope to find a pathway to revolutionizing the field to ultimately improve cancer patient outcome and quality of life.

Produkteigenschaften

  • Artikelnummer: 9783030324858
  • Medium: Buch
  • ISBN: 978-3-030-32485-8
  • Verlag: Springer International Publishing
  • Erscheinungstermin: 18.10.2019
  • Sprache(n): Englisch
  • Auflage: 1. Auflage 2019
  • Serie: Lecture Notes in Computer Science
  • Produktform: Kartoniert
  • Gewicht: 289 g
  • Seiten: 172
  • Format (B x H x T): 155 x 235 x 11 mm
  • Ausgabetyp: Kein, Unbekannt

Themen

Autoren/Hrsg.

Herausgeber

Using Supervised Learning and Guided Monte Carlo Tree Search for Beam Orientation Optimization in Radiation Therapy.- Feasibility of CT-only 3D dose prediction for VMAT prostate plans using deep learning.- Automatically Tracking and Detecting Signi?cant Nodal Mass Shrinkage During Head-and-Neck Radiation Treatment Using Image Saliency.- 4D-CT Deformable Image Registration Using an Unsupervised Deep Convolutional Neural Network.- Toward markerless image-guided radiotherapy using deep learning for prostate cancer.- A Two-Stage Approach for Automated Prostate Lesion Detection and Classification with Mask R-CNN and Weakly Supervised Deep Neural Network.- A Novel Deep Learning Framework for Standardizing the Label of OARs in CT.- Multimodal Volume-Aware Detection and Segmentation for Brain Metastases Radiosurgery.- Voxel-level Radiotherapy Dose Prediction Using Densely Connected Network with Dilated Convolutions.- Online Target Volume Estimation and Prediction From an Interlaced Slice Acquisition - A Manifold Embedding and Learning Approach.- One-dimensional convolutional network for Dosimetry Evaluation at Organs-at-Risk in Esophageal Radiation Treatment Planning.- Unpaired Synthetic Image Generation in Radiology Using GANs.- Deriving lung perfusion directly from CT image using deep convolutional neural network: A preliminary study.- Individualized 3D Dose Distribution Prediction Using Deep Learning.- Deep Generative Model-Driven Multimodal Prostate Segmentation in Radiotherapy.- Dose Distribution Prediction for Optimal Treatment of Modern External Beam Radiation Therapy for Nasopharyngeal Carcinoma.- DeepMCDose: A Deep Learning Method for Efficient Monte Carlo Beamlet Dose Calculation by Predictive Denoising in MR-Guided Radiotherapy.- UC-GAN for MR to CT Image Synthesis.- CBCT-based Synthetic MRI Generation for CBCT-guided Adaptive Radiotherapy.- Cardio-pulmonary Substructure Segmentation of CT images using Convolutional Neural Networks.