Geschäftskunden Kundenprogramme
Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

*Gültig bis 07.06.2026 auf (fast) alles. Ausgeschlossen sind Smartboxen, Zeitschriften, Tickets, Lebensmittel, Gaming-Elektroartikel, Tinte/Toner, Gutscheine, Geschenkkarten, Blumen und Abos | Einlösbar in allen Buchhandlungen von Orell Füssli, Barth Bücher, Buchladen Rapunzel, Schuler Orell Füssli, Stauffacher und ZAP unter Vorweisung des Gutscheins, auf www.orellfüssli.ch durch Eingabe des Gutscheincodes. Beim Service „eBooks verschenken“ und bei eBook-Käufen via eReader nicht einlösbar | Mindesteinkaufswert: Fr. 100.- | Nicht mit anderen Rabatten kumulierbar.
  • Produktbild: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries
  • Produktbild: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries
Band 14092

Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries 8th International Workshop, BrainLes 2022, Held in Conjunction with MICCAI 2022, Singapore, September 18, 2022, Revised Selected Papers, Part II

Aus der Reihe Lecture Notes in Computer Science

Fr. 93.90

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

05.02.2024

Herausgeber

Spyridon Bakas + weitere

Verlag

Springer

Seitenzahl

243

Maße (L/B/H)

23.5/15.5/1.5 cm

Gewicht

406 g

Auflage

1st edition 2023

Sprache

Englisch

ISBN

978-3-031-44152-3

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

05.02.2024

Herausgeber

Verlag

Springer

Seitenzahl

243

Maße (L/B/H)

23.5/15.5/1.5 cm

Gewicht

406 g

Auflage

1st edition 2023

Sprache

Englisch

ISBN

978-3-031-44152-3

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
  • Produktbild: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries
  • Produktbild: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries

  • Applying Quadratic Penalty Method for Intensity-based Deformable Image Registration on BraTS-Reg Challenge 2022.- WSSAMNet: Weakly Supervised Semantic Attentive Medical Image Registration Network.- Self-supervised iRegNet for the Registration of Longitudinal Brain MRI of Diffuse Glioma Patients.- 3D Inception-Based TransMorph: Pre- and Post-operative Multi-contrast MRI Registration in Brain Tumors.- Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation and Koos Grade Prediction based on Semi-Supervised Contrastive Learning.- Koos Classification of Vestibular Schwannoma via Image Translation-Based Unsupervised Cross-Modality Domain Adaptation.- MS-MT: Multi-Scale Mean Teacher with Contrastive Unpaired Translation for Cross-Modality Vestibular Schwannoma and Cochlea Segmentation.- An Unpaired Cross-modality Segmentation Framework Using Data Augmentation and Hybrid Convolutional Networks for Segmenting Vestibular Schwannoma and Cochlea.-Weakly Unsupervised Domain Adaptation for Vestibular Schwannoma Segmentation.- Multi-view Cross-Modality MR Image Translation for Vestibular Schwannoma and Cochlea Segmentation.- Enhancing Data Diversity for Self-training Based Unsupervised Cross-modality Vestibular Schwannoma and Cochlea Segmentation.- Regularized Weight Aggregation in Networked Federated Learning for Glioblastoma Segmentation.- A Local Score Strategy for Weight Aggregation in Federated Learning.- Ensemble Outperforms Single Models in Brain Tumor Segmentation.- FeTS Challenge 2022 Task 1: Implementing FedMGDA+ and a new partitioning.- Efficient Federated Tumor Segmentation via Parameter Distance Weighted Aggregation and Client Pruning.- Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation.- Robust Learning Protocol for Federated Tumor Segmentation Challenge.- Model Aggregation for Federated Learning Considering Non-IID andImbalanced Data Distribution.- FedPIDAvg: A PID controller inspired aggregation method for Federated Learning.- Federated Evaluation of nnU-Nets Enhanced with Domain Knowledge for Brain Tumor Segmentation.- Experimenting FedML and NVFLARE for Federated Tumor Segmentation Challenge.