计算神经科学是关于模拟真正的大脑神经系统预测工作和疾病从subneuronal系统到网络塑性假设进行测试后的神经组织,因此了解准则来约束他们。从这一领域的一些想法可以用在人工智能等领域。模仿中枢神经系统,通过扩展和创造各种额外的计算方法如人工神经网络、机器学习、深入学习,或遗传算法导致人工智能领域旨在解决给定问题的灵活、智能、可学的。这些字段的出现有许多生物医学应用,如图像处理和计算机视觉、机器学习、和深度学习的评估成像和信号数据集,疾病诊断系统、专家系统提供和优化治疗计划,脑机接口,智能假肢,和许多其他人。
图像处理是数字信号处理的一个分支,它和一组庞大的技术用于提高或操纵数字图像以使他们更实用的以不同的方式对不同的目的。计算机视觉是计算机科学领域关心的“理解”的图片,视频,或3 d卷通过计算机提取所需的图像的各种特征和属性集的算法和技术。
这个问题寻求选择原始和评论文章发表在临床和paraclinical应用人工智能和计算神经科学等计算机视觉的结构性和功能性大脑成像,组织病理学、微生物学、外科手术和医疗和牙科摄影/断层。
发表了6篇文章:“估计性别和年龄从儿童和青少年的大脑结构磁共振成像:3 d卷积神经网络多任务学习模式”门德斯等;“3 d脑MR图像的去噪与平行残余卷积神经网络学习使用全局和局部特征提取”吴等;“SGPNet:一个三维的多任务剩余分割框架和IDH基因型预测的神经胶质瘤”王等;“分类的苏木精和Eosin-Stained乳腺癌组织学显微镜图像使用转移学习EfficientNets”由Munien Viriri;“Semisupervised学习计划与自主学习分类乳腺癌组织病理学图像”巨人等;和“一种新的贝叶斯方法脑电图定位源”Oikonomou和Kompatsiaris。
数据可用性
没有相关数据。
的利益冲突
编辑们宣称他们没有任何的利益冲突。
瓦希德Rakhshan
亚历山大Hideki冈
庸黄
蒋禄卡Castelnuovo
Abrahao f·巴普蒂斯塔