The need for time and attention given by the doctor to the patient, due to the increased volume of medical data to be interpreted and filtered for diagnostic and therapeutic purposes has encouraged the development of the option to support, constructively and effectively, deep learning models for applications in the interpretation of medical images. Imaging physicians combine data from different stages and medical experiences, as opposed to DL models that incorporate the same types and modes of artisanal features. The major contribution of this book is primarily to highlight the impact of data...

Der Bedarf an Zeit und Aufmerksamkeit des Arztes für den Patienten aufgrund der zunehmenden Menge an medizinischen Daten, die zu diagnostischen und therapeutischen Zwecken interpretiert und gefiltert werden müssen, hat die Entwicklung der Option gefördert, Deep-Learning-Modelle für Anwendungen bei der Interpretation medizinischer Bilder konstruktiv und effektiv zu unterstützen. Bildgebende Ärzte kombinieren Daten aus verschiedenen Stadien und medizinischen Erfahrungen, im Gegensatz zu DL-Modellen, die die gleichen Arten und Modi von handwerklichen Merkmalen enthalten. Der Hauptbeitrag...

Le besoin de temps et d'attention accordé par le médecin au patient, en raison de l'augmentation du volume de données médicales à interpréter et à filtrer à des fins diagnostiques et thérapeutiques a encouragé le développement de l'option pour soutenir, de manière constructive et efficace, les modèles d'apprentissage profond pour les applications dans l'interprétation des images médicales. Les médecins spécialistes de l'imagerie combinent des données provenant de différentes étapes et expériences médicales, contrairement aux modèles de DL qui intègrent les mêmes types...