Wyniki wyszukiwania

Wynik wyszukiwania

Zapytanie: MARCINKIEWICZ M
Liczba odnalezionych rekordów: 10

| | | Przesłanie wyników do modułu analizy | excel |

1/10
Nr opisu: 0000134235
Fully-automated deep learning-powered system for DCE-MRI analysis of brain tumors.
[Aut.]: Jakub Nalepa, Pablo Ribalta Lorenzo, M. Marcinkiewicz, B. Bobek-Billewicz, P. Wawrzyniak, Maksym Walczak, Michał Kawulok, Wojciech Dudzik, Krzysztof Kotowski, I. Burda, B. Machura, Grzegorz Mrukwa, P. Ulrych, M. P. Hayball.
-Artif. Intell. Med. 2020 vol. 102, art. no. 101769 s. 1-21, bibliogr. 89 poz.. Impact Factor 4.383. Punktacja MNiSW 100.000

głębokie sieci neuronowe ; model farmakokinetyczny ; segmentacja guza ; DCE-MRI ; perfuzja ; mózg

deep neural networks ; pharmacokinetic model ; tumor segmentation ; DCE-MRI ; perfusion ; brain

2/10
Nr opisu: 0000134860
Hyperspectral band selection using attention-based convolutional neural networks.
[Aut.]: Pablo Ribalta Lorenzo, Łukasz Tulczyjew, M. Marcinkiewicz, Jakub Nalepa.
-IEEE Access 2020 vol. 8, s. 42384-42403, bibliogr. 101 poz.. Impact Factor 3.745. Punktacja MNiSW 100.000

uczenie głębokie ; konwolucyjna sieć neuronowa ; klasyfikacja ; wybór pasma ; mechanizm skupienia uwagi

deep learning ; convolutional neural network ; classification ; band selection ; attention mechanism

3/10
Nr opisu: 0000136263
Multi-modal U-Nets with boundary loss and pre-training for brain tumor segmentation.
[Aut.]: Pablo Ribalta Lorenzo, M. Marcinkiewicz, Jakub Nalepa.
W: Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. 5th International workshop, BrainLes 2019, held in conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019. Revised selected papers. Pt. 2. Eds. Alessandro Crimi, Spyridon Bakas. Cham : Springer, 2020, s. 135-147, bibliogr. 48 poz. (Lecture Notes in Computer Science ; vol. 11993 0302-9743). Punktacja MNiSW 20.000

guz mózgu ; segmentacja ; utrata granicy ; U-Net

brain tumor ; segmentation ; boundary loss ; U-Net

4/10
Nr opisu: 0000134271
Towards resource-frugal deep convolutional neural networks for hyperspectral image segmentation.
[Aut.]: Jakub Nalepa, M. Antoniak, Michał Myller, Pablo Ribalta Lorenzo, M. Marcinkiewicz.
-Microprocess. Microsyst. 2020 vol. 73, art. no. 102994 s. 1-14, bibliogr. 98 poz.. Impact Factor 1.161. Punktacja MNiSW 40.000

obrazowanie hiperspektralne ; głębokie sieci neuronowe ; splotowa sieć neuronowa ; kwantyzacja ; segmentacja ; klasyfikacja

hyperspectral imaging ; deep neural networks ; convolutional neural network ; quantization ; segmentation ; classification

5/10
Nr opisu: 0000134343
Data augmentation for brain-tumor segmentation: a review.
[Aut.]: Jakub Nalepa, M. Marcinkiewicz, Michał Kawulok.
-Front. Comput. Neurosci. 2019 vol. 13, art. no. 83 s. 1-18, bibliogr. 79 poz.. Impact Factor 2.535. Punktacja MNiSW 70.000

rozszerzanie danych ; uczenie głębokie ; głębokie sieci neuronowe ; segmentacja obrazów ; MRI

data augmentation ; deep learning ; deep neural networks ; image segmentation ; MRI

6/10
Nr opisu: 0000130985
Data augmentation via image registration.
[Aut.]: Jakub Nalepa, Grzegorz Mrukwa, Szymon Piechaczek, Pablo Ribalta Lorenzo, M. Marcinkiewicz, B. Bobek-Billewicz, P. Wawrzyniak, P. Ulrych, J. Szymanek, M. Cwiek, Wojciech Dudzik, Michał Kawulok, M. P. Hayball.
W: 2019 IEEE International Conference on Image Processing, September 22-25, 2019, Taipei, Taiwan. Proceedings. Piscataway : IEEE, 2019, s. 4250-4254, bibliogr. 19 poz.. Punktacja MNiSW 70.000

deep learning ; rozszerzanie danych ; rejestracja obrazu ; segmentacja guza mózgu

deep learning ; data augmentation ; image registration ; brain tumor segmentation

7/10
Nr opisu: 0000134169
Quantitative impact of label noise on the quality of segmentation of brain tumors on MRI scans.
[Aut.]: M. Marcinkiewicz, Grzegorz Mrukwa.
W: Proceedings of the 2019 Federated Conference on Computer Science and Information Systems, September 1-4, 2019, Leipzig, Germany. Eds. M. Ganzha, L. Maciaszek, M. Paprzycki. Piscataway : Institute of Electrical and Electronics Engineers, 2019, s. 61-65, bibliogr. 17 poz. (Annals of Computer Science and Information Systems ; vol. 18 2300-5963). Punktacja MNiSW 20.000

8/10
Nr opisu: 0000135338
Segmentation of multispectral data simulated from hyperspectral imagery.
[Aut.]: M. Marcinkiewicz, Michał Kawulok, Jakub Nalepa.
W: 2019 IEEE International Geoscience & Remote Sensing Symposium. IGARSS 2019, July 28 - August 2, 2019, Yokohama, Japan. Proceedings. Piscataway : Institute of Electrical and Electronics Engineers, 2019, s. 3336-3339, bibliogr. 15 poz.. Punktacja MNiSW 20.000

dane multispektralne ; dane hiperspektralne ; obrazowanie spektroskopowe ; segmentacja ; klasyfikacja

multispectral data ; hyperspectral data ; spectroscopy imaging ; segmentation ; classification

9/10
Nr opisu: 0000129305
Segmenting brain tumors from MRI using cascaded multi-modal U-Nets.
[Aut.]: M. Marcinkiewicz, Jakub Nalepa, Pablo Ribalta Lorenzo, Wojciech Dudzik, Grzegorz Mrukwa.
W: Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. 4th International Workshop, BrainLes 2018 held in cwith MICCAI 2018, Granada, Spain, September 16, 2018. Revised selected papers. Part II. Eds.: Alessandro Crimi, Spyridon Bakas, Hugo Kuijf, Farahani Keyvan, Mauricio Reyes, Theo van Walsum. Cham : Springer, 2019, s. 13-24 (Lecture Notes in Computer Science ; vol. 11384 0302-9743). Punktacja MNiSW 20.000

guz mózgu ; segmentacja ; deep learning ; CNN

brain tumor ; segmentation ; deep learning ; CNN

10/10
Nr opisu: 0000127021
Segmentation of hyperspectral images using quantized convolutional neural networks.
[Aut.]: Pablo Ribalta Lorenzo, M. Marcinkiewicz, Jakub Nalepa.
W: 21st Euromicro Conference on Digital System Design. DSD 2018, 29-31 August 2018 Prague, Czech Republic. Proceedings. Eds.: Martin Novotny, Nikos Konofaos, Amund Skavhaug. Piscataway : IEEE, 2018, s. 260-267, bibliogr. 38 poz.. Punktacja MNiSW 20.000

segmentacja ; obrazowanie hiperspektralne ; głębokie sieci neuronowe ; kwantyzacja wagi

segmentation ; hyperspectral imaging ; deep neural networks ; weight quantization

stosując format: