Name: Bildsynthese der Netzhaut (Glaukom) (en Alemán)
SKU: 59128696
Price: 60160.00 CLP
Availability: InStock
Author: Yerrarapu, Sravani Devi
ISBN: 9786206301233

portada Bildsynthese der Netzhaut (Glaukom) (en Alemán)

Bildsynthese der Netzhaut (Glaukom) (en Alemán)

Formato

Libro Físico

Autor

Sravani Devi Yerrarapu

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.4 cm

Peso

0.10 kg.

ISBN13

9786206301233

Bildsynthese der Netzhaut (Glaukom) (en Alemán)

Sravani Devi Yerrarapu (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 20 a 24 días háb.

$ 109.390$ 60.160

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 60.160

Llega entre el 29 Sep y el 05 Oct a Santiago, Región Metropolitana. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Bildsynthese der Netzhaut (Glaukom) (en Alemán)"

Das menschliche Auge ist ein Organ, das auf Licht und Druck reagiert. Viele Krankheiten, Störungen und altersbedingte Veränderungen können die Augen und die umliegenden Strukturen beeinträchtigen. Eine der Augenkrankheiten ist das Glaukom (Grüner Star). Das Glaukom ist eine Erkrankung, bei der der Flüssigkeitsdruck im Auge ansteigt. Unbehandelt kann er den Sehnerv schädigen und zum Verlust des Sehvermögens führen. Die frühzeitige Erkennung des Glaukoms minimiert das Risiko eines Sehkraftverlusts. Das vorgeschlagene Modell synthetisiert hochrealistische, kontrollierbare Fundusbilder, um mit Hilfe eines Deep-Learning-Modells eine höhere Präzision bei der Erkennung von Glaukomen zu erreichen.Ein generatives adverses Netzwerk (GAN) ist ein unbeaufsichtigtes maschinelles Lernverfahren, das zur Erweiterung von Datensätzen verwendet werden kann und gesammelte Bilder so aufbereitet, dass sie von realen Daten nicht mehr zu unterscheiden sind. Das Deep Convolutional GAN (DCGAN), eine weitere Variante des GAN, zeigt die architektonischen Beschränkungen des Modells auf, die für die effektive Entwicklung hochwertiger Generatormodelle erforderlich sind. Der erweiterte Datensatz, der durch Datenerweiterung gewonnen wurde, und der ursprüngliche ACRIMA-Datensatz mit Fundusbildern werden dem CNN-Klassifizierungsmodell zur Erkennung von Glaukomkrankheiten separat zugeführt.