Путешествие по тропам России: Географический диктант-2018 в РУДН
Cookie-файлы
Этот сайт использует файлы cookie. Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Продолжая использовать сайт, вы даете согласие на обработку файлов cookie.
Хорошо
Подробнее
Жизнь в РУДН12 ноября 2018
675 человек написали «Географический диктант-2018» в РУДН 11 ноября. Свои географические знания могли проверить как школьники и студенты, так и их родители, бабушки и дедушки. В РУДН возрастная категория участников — от 10 до 70 лет. Ведущим Географического диктанта в РУДН стал Андрей Понкратов – путешественник-журналист, телеведущий программ «Вокруг света», «Моя Планета», «Человек мира».
Диктант состоял из 30 тестовых заданий на знание географических понятий и терминов, умений работать с картой и определять географические объекты по записям дневников путешественников и отрывкам из художественных произведений.
«Задания были не из трудных. Со всем справилась за 30 минут, теперь буду ждать лучшего результата. Хочу сказать большое спасибо организаторам мероприятия, все прошло очень хорошо!» – поделилась своими впечатлениями ученица 9-Г класса школы №1095 Мария Спицина.
Не обошли стороной мероприятие и иностранные студенты. Для них диктант стал потрясающей возможностью узнать больше нового о территории России и проверить свои знания, которые они успели получить за период проживания здесь.
«Иностранцам было немного сложнее, но я уверен, что мы хорошо справились. Мне кажется, что процентов на 80 я смог написать правильно. Один вопрос мне показался крайне интересным: на Курильском острове Итуруп находится один из самых высоких водопадов России. Высота падения воды 141 метр. В честь какого былинного богатыря Руси был назван это водопад? Правильный ответ – Илья Муромец. Я не знал, что в России есть такие высокие водопады, и это стало для меня большим открытием», – отметил Президент Ассоциации студентов РУДН из Азии Рев Кадигамуве Аннуруддха Тхеро.
Все, кто не смог принять участие в диктанте очно, могут попробовать свои силы в онлайн-тесте до 15 ноября (до 14:00).
Результаты Географического диктанта-2018 будут опубликованы на сайте https://dictant.rgo.ru/ 30 ноября 2018 года.
Предыдущая новость
8 ноября 2018
Студент инженерной академии РУДН Александр Бевза завоевал титул чемпиона мира по армрестлингу
Следующая новость
30 июня
Философия жизни: профессор Сергей Нижников получил звание «Ветеран РУДН»
Почётное звание «Ветеран Российского университета дружбы народов» присвоили доктору философских наук, профессору кафедры истории философии факультета гуманитарных и социальных наук РУДН Сергею Анатольевичу Нижникову за большой вклад в развитие РУДН и непрерывный труд в университете в течение более 30 лет.
«Я не хочу быть судьёй. Вижу себя адвокатом»: Рафаэль Комилжонов, студент-юрист РУДН
Почему банкротство — перспективная сфера, какое дело самое запоминающееся и когда юристу важна импровизация — рассказывает Рафаэль Комилжонов, студент юридического института («Юриспруденция», магистратура I курс), который взял «золото» и «серебро» на Всероссийской студенческой олимпиаде 2023.
«Никакого искусственного интеллекта нет. Это банальная математика»: Иван Егоров, программист РУДН
Как компьютерные игры увлекли информатикой, что лучше всего в программировании описывает победу и что такое искусственный интеллект — рассказывает Иван Егоров, магистр программы «Фундаментальная информатика и информационные технологии». Команда Ивана победила в хакатоне «Цифровой прорыв. Искусственный интеллект».
Географический диктант — МБОУ СОШ № 5 им. В.И. Данильченко
Географический диктант — МБОУ СОШ № 5 им. В.И. ДанильченкоВАЖНО!!!
СГО | НАВИГАТОР | ТР
БЕССМЕРТНЫЙ ПОЛК
«Год памяти и славы»
КАЗАЧЕСТВО
КУРСЫ ДЛЯ РОДИТЕЛЕЙ
Летопись победы
Правда о войне на Кубани
победа деда — наша победа
Конкурс сайтов
Кто на сайте?
Сейчас на сайте находятся:34 гостей на сайте
Географический диктант
ГЕОГРАФИЧЕСКИЙ ДИКТАНТ В 2021 году Географический диктант состоится 14 ноября. Стать участником Диктанта можно, обратившись на любую площадку его проведения, участие в Диктанте является добровольным и бесплатным. Перед началом Диктанта каждому участнику присваивается индивидуальный идентификационный номер, вписываемый в бланк для написания Диктанта при его получении. Данный номер также дублируется в виде отрывного листка, который остается у участника Диктанта. По нему участник сможет проверить свой результат на сайте http://dictant.rgo.ru. Зарегистрироваться в качестве участника Диктанта на базе МБОУ СОШ № 5 возможно лично явившись на площадку, проход на территорию МБОУ СОШ № 5 осуществляется по предъявлению паспорта или иного документа, удостоверяющего личность.
Распорядок работы площадки 14 ноября
Подробную информацию о Диктанте и о площадке на базе МБОУ СОШ № 5 можно узнать на официальном сайте Географического диктанта. | |||||||
| |||||||
МБОУ СОШ № 5 определен площадкой проведения Диктанта в муниципальном образовании Каневской район.
rgo.ruДЛЯ СЛАБОВИДЯЩИХ
ОНЛАЙН ОПРОС
Безопасность — это важно!
np.krasnodar.ru
Home-Waldorf Teacher Resources
Mission & Vision
Миссия этого сайта состоит в том, чтобы дать учителям Waldorf возможность делиться друг с другом своими достижениями. Это место, где мы можем поделиться своими идеями по учебной программе, основными страницами уроков, музыкой, ресурсами и, прежде всего, своим вдохновением и опытом.
Этот сайт посвящен устойчивому обучению Вальдорфа. Подготовка каждый год к новой учебной программе является монументальной задачей. Этот сайт предоставляется как источник идей и материалов, чтобы мы могли проводить больше времени со своими семьями и заботиться о себе, что, в конечном итоге, делает нас лучшими учителями.
Как это работает
Вы найдете материалы, упорядоченные по классам и блокам уроков, каждый из которых имеет вкладку с надписью «Жемчужины». На этой вкладке находятся отдельные сообщения, содержащие идеи и материалы для учебных программ, которые хорошо зарекомендовали себя в классе. К каждому посту могут быть прикреплены основные работы по уроку или полезные материалы. Учителя могут «ответить» на сообщение, чтобы добавить дополнительный материал или оставить отзыв. Учителя также могут добавлять свои собственные сообщения с новыми идеями. Щелкните следующую ссылку, чтобы ознакомиться с полной процедурой публикации и рекомендациями.
Для размышления
В качестве предостережения: ничто не может заменить нашу внутреннюю работу. Любое образование, основанное просто на методах и материалах, не является живым. Задача вальдорфского учителя — учить художественно. Мы учим художественно, когда мы связаны с духовным миром, так как именно здесь берет начало всякое истинное искусство.
Это абсолютно бесплатно?
Этот сайт предоставляется учителям и школам совершенно бесплатно. Если вы сочтете это ценным, пожертвование поможет покрыть расходы на содержание веб-сайта.
Почему требуется регистрация для некоторых функций веб-сайта
Регистрация гарантирует, что вы человек с реальным адресом электронной почты.
Макет сайта
На каждой странице учебного плана может быть до трех вкладок.
GEMS являются сердцем веб-сайта. Он содержит сообщения об элементах учебной программы (идеи, материал урока, основные страницы урока, музыка и т. д.). Как следует из названия, в идеале он содержит «то, что сработало» в классе, или жемчужины для обучения. Вы можете вносить свои собственные работы на эти страницы. ГАЛЕРЕЯ содержит все изображения страницы, содержащиеся в ее сообщениях. РЕСУРСЫ содержит все ссылки на страницу, содержащиеся в ее сообщениях, а также иногда другие полезные ссылки. Поиск позволяет быстро находить темы по включенным словам. Верхний поиск будет выполнять глобальный поиск, возвращая результаты из любого места на сайте.Что будет...
В июне 2022 года я закончил второй восьмой класс. С окончанием школы я официально «ушла на пенсию» с очной формы преподавания. Прошедшие двадцать лет привели меня в большое путешествие, и я надеюсь поделиться своими размышлениями о жизни вальдорфского учителя.
Что будет дальше и как я могу поддержать вальдорфских учителей – для меня большой вопрос. Спасибо всем за высокую оценку, оказанную мне и этому сайту на протяжении многих лет. Это действительно был труд любви.Ниже приведены сведения о последнем обновлении, опубликованном на странице «Что нового». Это будет содержать обновления о прогрессе сайта, а также о том, что я могу сделать.
Последнее обновление: 10.12.2022. Нажмите «Что нового», чтобы получить последнее обновление.
Искусство — это результат жизненной силы, протекающей через нас из этого источника, и это отражается в том, как мы готовим и проводим урок. Это отражается в том, как мы настраиваемся и реагируем на потребности детей в классе. В то время как материалы на этом сайте обеспечивают в основном физическую поддержку, мы надеемся, что они также смогут передать каплю духа и вдохновения, которые были потрачены на то, чтобы принести их в класс. Это все легко теряется при переводе и оперативности документации. Пожалуйста, не забудьте спросить: «Зачем я провожу этот урок? Как этот урок отвечает интеллектуальным, эмоциональным и/или физическим потребностям детей? Какие способности он помогает развивать?» 
Это помогает предотвратить рассылку спама на страницы учебных программ. Это также помогает сохранить доступ к этим страницам для целевой аудитории. Те, кто понимает ценность, приложат дополнительные усилия для регистрации. 
Нижний поиск возвращает результаты в рамках текущей темы или дополнительно фильтрует результаты. Искусственный интеллект в радиологии — ПМК
1. Редакторы Н.
Благоприятное машинное обучение. Нац.
2. Мних В. и другие. Контроль на уровне человека посредством глубокого обучения с подкреплением. Природа 518, 529–533 (2015). [PubMed] [Google Scholar]
3. Моравчик М. и другие. DeepStack: искусственный интеллект экспертного уровня в безлимитном покере один на один. Наука 356, 508–513 (2017). [PubMed] [Google Scholar]
4. Сюн В. и другие. К человеческому паритету в распознавании разговорной речи. IEEE/ACM Trans. Языковой процесс аудио речи 25, 2410–2423 (2017). [Академия Google]
5. Пендлтон С.Д. и другие. Восприятие, планирование, контроль и координация для автономных транспортных средств. Машины 5, 6 (2017). [Google Scholar]
6. Серебряный D и другие. Освоение игры в го с глубокими нейронными сетями и поиском по дереву. Природа 529, 484–489 (2016). [PubMed] [Google Scholar]
7. Грейс К., Сальватье Дж., Дефо А., Чжан Б. и Эванс О.
Когда ИИ превзойдет возможности человека? Доказательства от экспертов по ИИ.
8. Раск Н. Глубокое обучение. Нац. Методы 13, 35–35 (2015). [Академия Google]
9. Эстева А. и другие. Классификация рака кожи на уровне дерматологов с глубокими нейронными сетями. Природа 542, 115–118 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
10. Гульшан В. и другие. Разработка и валидация алгоритма глубокого обучения для выявления диабетической ретинопатии на фотографиях глазного дна сетчатки. ДЖАМА 316, 2402–2410 (2016). [PubMed] [Google Scholar]
11. Аэртс HJWL Потенциал радиометрического фенотипирования в точной медицине: обзор. JAMA Онкол. 2, 1636–1642 (2016). [PubMed] [Академия Google]
12. Кумар В. и другие. Радиомика: процесс и проблемы. Магн. Резон. Имаг 30, 1234–1248 (2012). [Бесплатная статья PMC] [PubMed] [Google Scholar]
13. Ламбин П.
и другие.
Радиомика: извлечение дополнительной информации из медицинских изображений с использованием расширенного анализа признаков.
Евро. Дж. Рак
48, 441–446 (2012). [Бесплатная статья PMC] [PubMed] [Google Scholar]
14. Litjens G и другие. Опрос по глубокому обучению в анализе медицинских изображений. Мед. Анальный образ 42, 60–88 (2017). [PubMed] [Академия Google]
15. Колосвары М., Келлермайер М., Меркели Б. и Маурович-Хорват П. Радиомика компьютерной томографии сердца: всесторонний обзор радиомикологических методов. Дж. Торак. Имаг 33, 26–34 (2018). [PubMed] [Google Scholar]
16. Аэртс HJWL и другие. Расшифровка фенотипа опухоли с помощью неинвазивной визуализации с использованием количественного радиомического подхода. Нац. Сообщество 5, 4006 (2014). [Бесплатная статья PMC] [PubMed] [Google Scholar]
17. Coroller TP и другие. Рентгенологическая сигнатура на основе КТ предсказывает отдаленные метастазы аденокарциномы легкого. Радиотер. Онкол 114, 345–350 (2015). [Бесплатная статья PMC] [PubMed] [Google Scholar]
18. Ву В
и другие.
Поисковое исследование для определения классификаторов радиомики для гистологии рака легких.
Передний. Онкол
6, 71 (2016). [Бесплатная статья PMC] [PubMed] [Google Scholar]
19. Huynh E и другие. Ассоциации рентгенологических данных, извлеченных из статических и дыхательных КТ-сканирований, с рецидивом заболевания у пациентов с раком легких, получавших SBRT. ПЛОС ОДИН 12, e0169172 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
20. Rios Velazquez E и другие. Соматические мутации определяют различные фенотипы визуализации при раке легкого. Рак Рез. 77, 3922–3930 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
21. Grossmann P и другие. Определение биологической основы радиомного фенотипа при раке легкого. электронная жизнь 6, e23421 (2017) [бесплатная статья PMC] [PubMed] [Google Scholar]
22. Parmar C, Grossmann P, Bussink J, Lambin P & Aerts HJWL Методы машинного обучения для количественных радиометрических биомаркеров. науч. Представитель 5, 13087 (2015). [Бесплатная статья PMC] [PubMed] [Google Scholar]
23. O’Connor JPB
и другие.
Дорожная карта биомаркеров изображений для исследований рака. Нац. Преподобный Клин. Онкол
14, 169–186 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
24. Boland GWL, Guimaraes AS & Mueller PR Головоломка рентгенолога: преимущества и издержки увеличения мощности и использования КТ. Евро. Радиол 19, 9–12 (2009). [PubMed] [Google Scholar]
25. McDonald RJ и другие. Влияние изменений в использовании и технологических достижений визуализации поперечного сечения на рабочую нагрузку рентгенолога. акад. Радиол 22, 1191–1198 (2015). [PubMed] [Google Scholar]
26. Фицджеральд Р. Ошибка в рентгенологии. клин. Радиол 56, 938–946 (2001). [PubMed] [Google Scholar]
27. Ledley RS & Lusted LB Аргументационные основы медицинской диагностики; символическая логика, теория вероятности и ценности помогают нам понять, как рассуждают врачи. Наука 130, 9–21 (1959). [PubMed] [Google Scholar]
28. Лодвик Г.С., Китс Т.Е. и Дорст Дж.П.
Кодирование рентгенограмм для компьютерного анализа применительно к раку легкого.
Радиология
81, 185–200 (1963). [PubMed] [Google Scholar]
29. Ambinder EP История перехода к полной компьютеризации медицины. Дж. Онкол. Практика 1, 54–56 (2005). [Бесплатная статья PMC] [PubMed] [Google Scholar]
30. Хауг П.Дж. Использование диагностических экспертных систем в клинической практике. проц. Анну. Симп. вычисл. заявл. Мед. Уход, 379–383 (1993). [Бесплатная статья PMC] [PubMed] [Google Scholar]
31. Кастеллино Р.А. Компьютерное обнаружение (CAD): обзор. Образ Рака. 5, 17–19 (2005). [Бесплатная статья PMC] [PubMed] [Google Scholar]
32. Shen D, Wu G & Suk H-I Глубокое обучение в анализе медицинских изображений. Анну. Преподобный Биомед. анг 19, 221–248 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
33. Верарагаван Х. MO-A-207B-01: Радиомика: методы сегментации и извлечения признаков. Мед. Физ. 43, 3694–3694 (2016). [Google Scholar]
34. Пол Р.
и другие.
Глубокое обучение переносу признаков в сочетании с традиционными признаками предсказывает выживаемость пациентов с аденокарциномой легкого.
Томография
2, 388–395 (2016). [Бесплатная статья PMC] [PubMed] [Google Scholar]
35. Cheng J-Z и другие. Компьютерная диагностика с архитектурой глубокого обучения: применение к поражениям молочной железы на изображениях УЗИ и узлам в легких на КТ. науч. Представитель 6, 24454 (2016). [Бесплатная статья PMC] [PubMed] [Google Scholar]
36. Chen H, Zheng Y, Park J-H, Heng P-A & Zhou SK в области вычислений медицинских изображений и компьютерных вмешательств — MICCAI 2016 487–495 (Афины, Греция, 2016 г.). [Google Scholar]
37. Гафурян М. и другие. Глубокие сверточные нейронные сети, чувствительные к местоположению, для сегментации гиперинтенсивности белого вещества. науч. Представитель 7, 5110 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
38. Ван Х.
и другие.
Сравнение методов машинного обучения для классификации метастазов немелкоклеточного рака легкого в лимфатические узлы средостения по изображениям ПЭТ/КТ с 18F-ФДГ. EJNMMI Рез. 7, 11 (2017).
[Бесплатная статья PMC] [PubMed] [Google Scholar]
39. Ван Гиннекен Б., Шефер-Прокоп К.М. и Прокоп М. Компьютерная диагностика: как перейти из лаборатории в клинику. Радиология 261, 719–732 (2011). [PubMed] [Google Scholar]
40. Нагарадж С., Рао Г.Н. и Котешварарао К. Роль распознавания образов в компьютерной диагностике и компьютерного обнаружения в медицинской визуализации: клиническая проверка. Междунар. Дж. Вычисл. Приложение 8, 18–22 (2010). [Google Scholar]
41. Коул Э.Б. и другие. Влияние компьютерных систем обнаружения на точность рентгенолога при цифровой маммографии. AJR Ам. Дж. Рентгенол 203, 909–916 (2014). [Бесплатная статья PMC] [PubMed] [Google Scholar]
42. Компакт-диск Lehman и другие. Диагностическая точность цифровой скрининговой маммографии с компьютерным обнаружением и без него. JAMA Стажер. Мед 175, 1828–1837 (2015). [Бесплатная статья PMC] [PubMed] [Google Scholar]
43. Huang X, Shan J & Vaidya V на Международном симпозиуме по биомедицинской визуализации IEEE 14 th , 2017 г.
(ISBI 2017)
379–383 (Мельбурн, Австралия, 2017 г.). [Google Scholar]
44. Цехай Ю.К. и другие. в трудах SPIE https://doi.org/10.1117/12.2254423 (2017 г.).
45. Коой Т и другие. Крупномасштабное глубокое обучение для компьютерного обнаружения маммографических поражений. Мед. Анальный образ 35, 303–312 (2017). [PubMed] [Google Scholar]
46. Шарма Н. и Аггарвал Л.М. Методы автоматизированной сегментации медицинских изображений. Дж. Мед. Физ. 35, 3–14 (2010). [Бесплатная статья PMC] [PubMed] [Google Scholar]
47. Харалик Р.М. и Шапиро Л.Г. Методы сегментации изображения. График компьютерного зрения. Процесс изображения 29, 100–132 (1985). [Google Scholar]
48. Фам Д.Л., Сюй С. и Принц Дж.Л. Современные методы сегментации медицинских изображений. Анну. Преподобный Биомед. анг 2, 315–337 (2000). [PubMed] [Академия Google]
49. Грау В., Мьюз А.Ю., Альканьис М., Кикинис Р. и Уорфилд СК
Улучшенное преобразование водораздела для сегментации медицинских изображений с использованием априорной информации.
IEEE транс. Мед. Имаг
23, 447–458 (2004). [PubMed] [Google Scholar]
50. Паризо С. и другие. Вероятностный атлас локализации диффузных глиом II степени ВОЗ в головном мозге. ПЛОС ОДИН 11, e0144200 (2016). [Бесплатная статья PMC] [PubMed] [Google Scholar]
51. Ghose S и другие. в 2012 г. 19-я Международная конференция IEEE по обработке изображений. 541–544 (Орландо, Флорида, США, 2012 г.). [Академия Google]
52. Хан Х и другие. Автоматическая сегментация КТ головы и шеи на основе атласа. Мед. Вычисление изображения. вычисл. Ассистент Интерв 11, 434–441 (2008). [PubMed] [Google Scholar]
53. Лонг Дж., Шелхамер Э. и Даррелл Т. на конференции IEEE 2015 г. по компьютерному зрению и распознаванию образов (CVPR) 3431–3440 (Бостон, Массачусетс, США, 2015 г.). [Google Scholar]
54. Ronneberger O, Fischer P & Brox TU in Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015 234–241 (Мюнхен, Германия, 2015 г.). [Академия Google]
55.
Моескопс П
и другие. в области вычислений медицинских изображений и компьютерных вмешательств — MICCAI 2016
478–486 (Афины, Греция, 2016 г.). [Google Scholar]
56. Де Бребиссон А. и Монтана Г. в 2015 г. Конференция IEEE по компьютерному зрению и семинарам по распознаванию образов (CVPRW) 20–28 (Бостон, Массачусетс, США, 2015 г.). [Google Scholar]
57. Чоффи У., Равелья Ф., Де Симоне М. и Байси А. Помутнение по типу матового стекла: излечимое заболевание, но большая проблема для хирургов. Дж. Торак. Кардиовас. Сур 154, 375–376 (2017). [PubMed] [Академия Google]
58. Шампейн Дж. Л. и Седербом Дж. Дж. Достижения в обнаружении рака молочной железы с помощью скрининговой маммографии. Окснер Дж. 2, 33–35 (2000). [Бесплатная статья PMC] [PubMed] [Google Scholar]
59. Shiraishi J, Li Q, Appelbaum D & Doi K Компьютерная диагностика и искусственный интеллект в клинической визуализации. Семин. Нукл. Мед 41, 449–462 (2011). [PubMed] [Google Scholar]
60. Ayer T, Ayvaci MU, Liu ZX, Alagoz O & Burnside ES
Компьютерные диагностические модели в скрининге рака молочной железы.
Изображение Мед
2, 313–323 (2010). [Бесплатная статья PMC] [PubMed] [Google Scholar]
61. Чжан Дж, Ван Ю, Ю Б, Ши Х и Чжан Ю Применение компьютерной диагностики для ультразвуковой оценки шейных лимфатических узлов. Ультрасон. Имаг 38, 159–171 (2016). [PubMed] [Google Scholar]
62. Джаннини В. и другие. Полностью автоматическая система компьютерной диагностики рака предстательной железы периферической зоны с помощью мультипараметрической магнитно-резонансной томографии. вычисл. Мед. График визуализации 46, 219–226 (2015). [PubMed] [Google Scholar]
63. Эль-Баз А. и другие. Системы компьютерной диагностики рака легкого: проблемы и методологии. Междунар. Дж. Биомед. Имаг 2013, 942353 (2013). [Бесплатная статья PMC] [PubMed] [Google Scholar]
64. Edey AJ & Hansell DM Случайно обнаружены мелкие легочные узелки на КТ. клин. Радиол 64, 872–884 (2009). [PubMed] [Google Scholar]
65. Mirsadraee S, Oswal D, Alizadeh Y, Caulo A & van Beek E Jr.
7-я система классификации и стадирования рака легкого по TNM: обзор изменений и последствий.
Мир Дж. Радиол
4, 128–134 (2012). [Бесплатная статья PMC] [PubMed] [Google Scholar]
66. Sohn K, Shang W & Lee H в Advances in Neural Information Processing Systems 27 (NIPS 2014) (ред. Ghahramani Z, Welling M, Cortes C, Lawrence ND & Вайнбергер KQ) 2141–2149(Монреаль, Канада, 2014 г.). [Google Scholar]
67. Литьенс Г. и другие. Глубокое обучение как инструмент повышения точности и эффективности гистопатологической диагностики. науч. Представитель 6, 26286 (2016). [Бесплатная статья PMC] [PubMed] [Google Scholar]
68. Круз-Роа А. и другие. Точное и воспроизводимое обнаружение инвазивного рака молочной железы на изображениях всего предметного стекла: подход глубокого обучения для количественной оценки распространенности опухоли. науч. Представитель 7, 46450 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
69. Джефф CC Меры реагирования: RECIST, ВОЗ и новые альтернативы. Дж. Клин. Онкол 24, 3245–3251 (2006). [PubMed] [Google Scholar]
70.
Тисс П.
и другие.
Точность частоты ответов в онкологических исследованиях: причины изменчивости между наблюдателями. Groupe Français d’Immunothérapie Национальной федерации центров борьбы с раком. Дж. Клин. Онкол
15, 3507–3514 (1997). [PubMed] [Google Scholar]
71. Хорасани Р., Эриксон Б.Дж. и Патриарх Дж. Новые возможности компьютерной диагностики: обнаружение изменений и характеристика. Варенье. Сб. Радиол 3, 468–469(2006). [PubMed] [Google Scholar]
72. Патриарх Дж. В. и Эриксон Б. Дж. Часть 1. Автоматическое обнаружение и характеристика изменений в серийных МРТ-исследованиях пациентов с опухолью головного мозга. Дж. Цифра. Имаг 20, 203–222 (2007). [Бесплатная статья PMC] [PubMed] [Google Scholar]
73. Pan X, Sidky EY & Vannier M Почему коммерческие компьютерные томографы до сих пор используют традиционную фильтрованную обратную проекцию для реконструкции изображения? Обратная задача 25, 1230009 (2009). [Бесплатная статья PMC] [PubMed] [Google Scholar]
74.
Пипатрисават Т., Гачич А., Франкетти Ф., Пушел М. и Моура Дж.М.Ф. в материалах дела. (ИКАССП ‘05). Международная конференция IEEE по акустике, речи и обработке сигналов, 2005 г.
v/153–v/156 (Филадельфия, Пенсильвания, США, 2005 г.). [Google Scholar]
75. Чжу Б., Лю Дж. З., Коли С. Ф., Розен Б. Р. и Розен М. С. Реконструкция изображения с помощью обучения множеству доменных преобразований. Природа 555, 487–492 (2018). [PubMed] [Google Scholar]
76. Hammernik K, Würfl T, Pock T & Maier AA in Bildverarbeitung für die Medizin 2017 (eds Maier-Hein K, Deserno T, Handels H & Tolxdorff T) 92–97 (Спрингер, Берлин, Гейдельберг, 2017). [Google Scholar]
77. Гьестеби Л. и другие. in Разработки в области рентгеновской томографии XI 10391–31 (Сан-Диего, Калифорния, США, 2017 г.). [Google Scholar]
78. Эль-Гамаль ФЭ-ЗА, Эльмоги М. и Атван А. Современные тенденции в регистрации и слиянии медицинских изображений. Египет. информ. Дж 17, 99–124 (2016). [Google Scholar]
79.
Yang X, Kwitt R, Styner M & Niethammer M
Quicksilver: быстрая предиктивная регистрация изображений — подход к глубокому обучению. Нейроизображение
158, 378–396 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
80. Ngiam J и другие. в материалах 28-й Международной конференции по машинному обучению 689–696 (Белвью, Вашингтон, США, 2011 г.). [Google Scholar]
81. Янкеелов Т.Е., Абрамсон Р.Г., Куорлз С.С. Количественная мультимодальная визуализация в исследованиях и терапии рака. Нац. Преподобный Клин. Онкол 11, 670–680 (2014). [Бесплатная статья PMC] [PubMed] [Google Scholar]
82. Джонсон А.Дж., Чен М.М., Западка М.Е., Лайдерс Э.М. и Литтенберг Б. Ясность радиологического отчета: когортное исследование структурированного отчета по сравнению с обычной диктовкой. Варенье. Сб. Радиол 7, 501–506 (2010). [PubMed] [Академия Google]
83. Леви М.А. и Рубин Д.Л.
Инструментальная поддержка для оценки клинического ответа на лечение. АМИЯ Анну. Симп. Проц
2008, 399–403 (2008).
[Бесплатная статья PMC] [PubMed] [Google Scholar]
84. Европейское общество радиологии (ESR). Надлежащая практика радиологической отчетности. Рекомендации Европейского общества радиологии (ESR). Инсайты 2, 93–96 (2011). [Бесплатная статья PMC] [PubMed] [Google Scholar]
85. Folio LR и другие. Количественная радиологическая отчетность в онкологии: опрос онкологов и рентгенологов. AJR Ам. Дж. Рентгенол 205, W233–W243 (2015). [Бесплатная статья PMC] [PubMed] [Google Scholar]
86. Карпаты А. и Фей-Фей Л. Глубокое визуально-семантическое выравнивание для генерации описаний изображений. IEEE транс. Анальный узор. Мах. Интелл 39, 664–676 (2017). [PubMed] [Google Scholar]
87. Shin HC и другие. в 2016 г. на конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) 2497–2506 (Лас-Вегас, Невада, США, 2016 г.). [Google Scholar]
88. Ли Дж. Г.
и другие.
Глубокое обучение в медицинской визуализации: общий обзор. Кор. Дж. Радиол
18, 570–584 (2017).
[Бесплатная статья PMC] [PubMed] [Google Scholar]
89. ОЭСР. Компьютерная томография (КТ). https://doi.org/10.1787/3c994537-en (2018 г.).
90. ОЭСР. Магнитно-резонансная томография (МРТ). https://doi.org/10.1787/1d89353f-en (2018 г.).
91. Брайан С. и другие. Время отчетов радиологии: влияние систем архивации изображений и связи. AJR Ам. Дж. Рентгенол 170, 1153–1159 (1998) [PubMed] [Google Scholar]
92. Мансури Б., Эрхард К.К. и Саншайн Дж.Л. Внедрение системы архивирования и передачи изображений (PACS), ее интеграция и преимущества в интегрированной системе здравоохранения. акад. Радиол 19, 229–235 (2012). [PubMed] [Google Scholar]
93. Лемке Х.У. Развитие PACS в Европе. вычисл. Мед. Изображение График 27, 111–120 (2003). [PubMed] [Google Scholar]
94. Мендель Дж. Б. и Швейцер А. Л. PACS для развивающихся стран. Дж. Глобал Радиол 1, 5 (2015). [Google Scholar]
95. Гудфеллоу I
и другие. в Advances in Neural Information Processing Systems 27 (NIPS 2014) (редакторы Ghahramani Z, Welling M, Cortes C, Lawrence ND & Weinberger KQ) 2672–2680 (Монреаль, Канада, 2014).
[Академия Google]
96. Kingma DP и Welling M Автокодирование вариационного Байеса. Препринт на arXiv, 1312.6114 (2013). [Google Scholar]
97. Камницас К. и другие. в обработке информации в медицинской визуализации 597–609 (Спрингер, Чам, 2017). [Google Scholar]
98. Калленберг М. и другие. Неконтролируемое глубокое обучение применяется к сегментации плотности груди и оценке маммографического риска. IEEE транс. Мед. Имаг 35, 1322–1331 (2016). [PubMed] [Google Scholar]
99. Чжан П., Ван Ф и Чжэн И в 2017 г. IEEE 14 -й -й Международный симпозиум по биомедицинской визуализации (ISBI 2017) 578–582 (Мельбурн, Австралия, 2017 г.). [Google Scholar]
100. Кларк К. и другие. Архив изображений рака (TCIA): поддержание и эксплуатация общедоступного хранилища информации. Дж. Цифра. Имаг 26, 1045–1057 (2013). [Бесплатная статья PMC] [PubMed] [Google Scholar]
101. Ван Г.А. Перспектива глубокой визуализации. IEEE-доступ 4, 8914–8924 (2016). [Google Scholar]
102.
Ford RA, Price W & Nicholson II
Конфиденциальность и подотчетность в медицине черного ящика. Мичиган Телекоммуникации. Тех. Л. Преподобный
23, 1 (2016). [Академия Google]
103. Селбст А.Д. и Паулз Дж. Значимая информация и право на объяснение. Междунар. Закон о конфиденциальности данных 7, 233–242 (2017). [Google Scholar]
104. Имминг П., Синнинг С. и Мейер А. Наркотики, их мишени, характер и количество мишеней. Нац. Преподобный Друг Дисков 5, 821–834 (2006). [PubMed] [Google Scholar]
105. Мельхорн Х. и другие. в Энциклопедии паразитологии 3-е изд. (изд. Mehlhorn H) 400–402 (Springer, Berlin, Heidelberg, 2008). [Google Scholar]
106. Шокри Р., Шматиков В. в Трудах 22 nd Конференция ACM SIGSAC по компьютерной и коммуникационной безопасности 1310–1321 (Денвер, Колорадо, США, 2015 г.). [Google Scholar]
107. Фонг Л.Т., Аоно Ю., Хаяши Т., Ван Л. и Мориай С. Приложения и методы информационной безопасности. 8-я международная конференция, ATIS 2017 (ред.
Баттен Л., Ким Д.С., Чжан С. и Ли Г.) 719, 100–110 (Окленд, Новая Зеландия, 2017). [Google Scholar]
108. McMahan HB, Moore E, Ramage D, Hampson S & y Arcas BA в материалах 20-й Международной конференции по искусственному интеллекту и статистике (AISTATS) 1273–1282 (Форт-Лодердейл, Флорида, США, 2017 г.). [Академия Google]
109. Гилад-Бахрах Р. и другие. в материалах 33-й -й -й Международной конференции по машинному обучению 201–210 (Нью-Йорк, США, 2016 г.). [Google Scholar]
110. Кахан А. и Чимино Дж.Дж. Обучение системы здравоохранения с помощью компьютерной диагностики. Дж. Мед. Интернет Рез 19, e54 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
111. LeCun Y, Bengio Y & Hinton G Глубокое обучение. Природа 521, 436–444 (2015). [PubMed] [Google Scholar]
112. Miotto R, Wang F, Wang S, Jiang X & Dudley JT
Глубокое обучение для здравоохранения: обзор, возможности и проблемы. Краткий. Биоинформ
https://doi.org/10.1093/биб/bbx044 (2017).
[Бесплатная статья PMC] [PubMed] [Google Scholar]
113. Kevin Zhou S, Greenspan H & Shen D Глубокое обучение для анализа медицинских изображений. (Академическая пресса, 2017). [Google Scholar]
114. Шин Х-С и другие. Глубокие сверточные нейронные сети для компьютерного обнаружения: архитектуры CNN, характеристики набора данных и трансферное обучение. IEEE транс. Мед. Имаг 35, 1285–1298 (2016). [Бесплатная статья PMC] [PubMed] [Google Scholar]
115. Shin Y & Balasingham I в 2017 г. 39Ежегодная международная конференция IEEE Engineering in Medicine and Biology Society (EMBC) 3277–3280 (остров Чеджудо, Корея, 2017 г.). [Google Scholar]
116. Оррингер Д.А. и другие. Быстрая интраоперационная гистология необработанных хирургических образцов с помощью микроскопии стимулированного комбинационного рассеяния на основе волоконного лазера. Нац. Биомед. анг 1, 0027 (2017). [Бесплатная статья PMC] [PubMed] [Google Scholar]
117. Альбаркуни С.
и другие.
AggNet: глубокое изучение толпы для обнаружения митоза на гистологических изображениях рака молочной железы.