دانلود کتاب Handbook of Deep Learning in Biomedical Engineering: Techniques and Applications (به فارسی: راهنمای یادگیری عمیق در مهندسی زیست پزشکی: تکنیک ها و کاربردها) نوشته شده توسط «Valentina Emilia Balas – Brojo Kishore Mishra – Raghvendra Kumar»
اطلاعات کتاب راهنمای یادگیری عمیق در مهندسی زیست پزشکی: تکنیک ها و کاربردها
موضوع اصلی: خودیاری، روابط و سبک زندگی – سلامت – بیماری ها و اختلالات
نوع: کتاب الکترونیکی
ناشر: Academic Press
نویسنده: Valentina Emilia Balas – Brojo Kishore Mishra – Raghvendra Kumar
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 320 / 307
حجم فایل: 14.01 مگابایت
کد کتاب: 0128230142 , 9780128230145
توضیحات کتاب راهنمای یادگیری عمیق در مهندسی زیست پزشکی: تکنیک ها و کاربردها
یادگیری عمیق (DL) روشی برای یادگیری ماشینی است که روی شبکه های عصبی مصنوعی اجرا می شود و از چندین لایه برای استخراج ویژگی های سطح بالا از مقادیر زیادی داده خام استفاده می کند. روش‌های DL سطوح یادگیری را برای تبدیل داده‌های ورودی به اطلاعات انتزاعی و ترکیبی‌تر اعمال می‌کنند. راهنمای یادگیری عمیق در مهندسی زیست پزشکی: تکنیک ها و کاربردها به خوانندگان یک دید کلی از مفاهیم اساسی DL و کاربردهای آن در زمینه مهندسی پزشکی ارائه می دهد. DL در سال های اخیر به سرعت توسعه یافته است، هم از نظر ساختارهای روش شناختی و هم از نظر کاربردهای عملی. DL مدل‌های محاسباتی لایه‌های پردازشی چندگانه را برای یادگیری و نمایش داده‌ها با سطوح بالاتر انتزاع ارائه می‌کند. این می تواند به طور ضمنی ساختارهای پیچیده ای از داده های در مقیاس بزرگ را ضبط کند و به طور ایده آل برای بسیاری از معماری های سخت افزاری که در حال حاضر در دسترس هستند مناسب است. حجم روزافزون داده ای که می تواند از طریق دستگاه های سنجش اطلاعات زیست پزشکی و بالینی جمع آوری شود، توسعه تکنیک های یادگیری ماشین و هوش مصنوعی مانند DL و شبکه های عصبی کانولوشنال را برای پردازش و ارزیابی داده ها ضروری می کند. برخی از نمونه‌های دستگاه‌های حسگر زیست‌پزشکی و بالینی که از DL استفاده می‌کنند شامل توموگرافی کامپیوتری (CT)، تصویربرداری تشدید مغناطیسی (MRI)، سونوگرافی، توموگرافی کامپیوتری با انتشار تک فوتون (SPECT)، توموگرافی انتشار پوزیترون (PET)، تصویربرداری ذرات مغناطیسی، الکتروانسفالوگرافی/مگنتوآنسفالوگرافی است. (EE/MEG)، میکروسکوپ نوری و توموگرافی، توموگرافی فوتوآکوستیک، توموگرافی الکترونی و میکروسکوپ نیروی اتمی. راهنمای یادگیری عمیق در مهندسی زیست پزشکی: تکنیک ها و کاربردها کامل ترین پوشش موجود در برنامه های DL در مهندسی زیست پزشکی را ارائه می دهد، از جمله برنامه های کاربردی دقیق در دنیای واقعی در زمینه هایی مانند علوم اعصاب محاسباتی، تصویربرداری عصبی، ترکیب داده ها، پزشکی پردازش تصویر، تشخیص اختلالات عصبی برای بیماری هایی مانند آلزایمر، اختلال کم توجهی بیش فعالی (ADHD) و اختلال طیف اوتیسم (ASD)، پیش بینی تومور، و تجزیه و تحلیل تصویربرداری چندوجهی ترجمه ای.
- یک جامع ارائه می دهد. کتابچه راهنمای کاربردهای مهندسی زیست پزشکی DL، از جمله علوم اعصاب محاسباتی، تصویربرداری عصبی، داده های سری زمانی مانند MRI، MRI عملکردی، CT، EEG، MEG، و ترکیب داده های داده های تصویربرداری زیست پزشکی از منابع متفاوت، مانند X-Ray/CT.
- به خوانندگان کمک می کند مفاهیم کلیدی در برنامه های کاربردی DL برای مهندسی پزشکی و مراقبت های بهداشتی، از جمله یادگیری چندگانه، طبقه بندی، خوشه را درک کنند. ing، و رگرسیون در تجزیه و تحلیل داده های تصویربرداری عصبی.
- تکنیک های کلیدی توسعه DL مانند ایجاد الگوریتم ها و کاربرد DL از طریق شبکه های عصبی مصنوعی و شبکه های عصبی کانولوشن را در اختیار خوانندگان قرار می دهد. li>
- شامل پوشش حوزه های کاربردی کلیدی DL مانند تشخیص زودهنگام بیماری های خاص مانند آلزایمر، ADHD و ASD و پیش بینی تومور از طریق MRI و تصویربرداری چندوجهی ترجمه و کاربردهای زیست پزشکی مانند تشخیص، تجزیه و تحلیل تشخیصی، اندازه‌گیری‌های کمی، و هدایت تصویر سونوگرافی.
Deep learning (DL) is a method of machine learning, running over artificial neural networks, that uses multiple layers to extract high-level features from large amounts of raw data. DL methods apply levels of learning to transform input data into more abstract and composite information. Handbook for Deep Learning in Biomedical Engineering: Techniques and Applications gives readers a complete overview of the essential concepts of DL and its applications in the field of biomedical engineering. DL has been rapidly developed in recent years, in terms of both methodological constructs and practical applications. DL provides computational models of multiple processing layers to learn and represent data with higher levels of abstraction. It is able to implicitly capture intricate structures of large-scale data and is ideally suited to many of the hardware architectures that are currently available. The ever-expanding amount of data that can be gathered through biomedical and clinical information sensing devices necessitates the development of machine learning and artificial intelligence techniques such as DL and convolutional neural networks to process and evaluate the data. Some examples of biomedical and clinical sensing devices that use DL include computed tomography (CT), magnetic resonance imaging (MRI), ultrasound, single photon emission computed tomography (SPECT), positron emission tomography (PET), magnetic particle imaging, electroencephalography/magnetoencephalography (EE/MEG), optical microscopy and tomography, photoacoustic tomography, electron tomography, and atomic force microscopy. Handbook for Deep Learning in Biomedical Engineering: Techniques and Applications provides the most complete coverage of DL applications in biomedical engineering available, including detailed real-world applications in areas such as computational neuroscience, neuroimaging, data fusion, medical image processing, neurological disorder diagnosis for diseases such as Alzheimer’s, attention deficit hyperactivity disorder (ADHD), and autism spectrum disorder (ASD), tumor prediction, and translational multimodal imaging analysis.
- Presents a comprehensive handbook of the biomedical engineering applications of DL, including computational neuroscience, neuroimaging, time series data such as MRI, functional MRI, CT, EEG, MEG, and data fusion of biomedical imaging data from disparate sources, such as X-Ray/CT.
- Helps readers understand key concepts in DL applications for biomedical engineering and health care, including manifold learning, classification, clustering, and regression in neuroimaging data analysis.
- Provides readers with key DL development techniques such as creation of algorithms and application of DL through artificial neural networks and convolutional neural networks.
- Includes coverage of key application areas of DL such as early diagnosis of specific diseases such as Alzheimer’s, ADHD, and ASD, and tumor prediction through MRI and translational multimodality imaging and biomedical applications such as detection, diagnostic analysis, quantitative measurements, and image guidance of ultrasonography.
دانلود کتاب «راهنمای یادگیری عمیق در مهندسی زیست پزشکی: تکنیک ها و کاربردها»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.