nav atļauts
nav atļauts
Digitālo tiesību pārvaldība (Digital Rights Management (DRM))
Izdevējs ir piegādājis šo grāmatu šifrētā veidā, kas nozīmē, ka jums ir jāinstalē bezmaksas programmatūra, lai to atbloķētu un lasītu. Lai lasītu šo e-grāmatu, jums ir jāizveido Adobe ID. Vairāk informācijas šeit. E-grāmatu var lasīt un lejupielādēt līdz 6 ierīcēm (vienam lietotājam ar vienu un to pašu Adobe ID).
Nepieciešamā programmatūra
Lai lasītu šo e-grāmatu mobilajā ierīcē (tālrunī vai planšetdatorā), jums būs jāinstalē šī bezmaksas lietotne: PocketBook Reader (iOS / Android)
Lai lejupielādētu un lasītu šo e-grāmatu datorā vai Mac datorā, jums ir nepieciešamid Adobe Digital Editions (šī ir bezmaksas lietotne, kas īpaši izstrādāta e-grāmatām. Tā nav tas pats, kas Adobe Reader, kas, iespējams, jau ir jūsu datorā.)
Jūs nevarat lasīt šo e-grāmatu, izmantojot Amazon Kindle.
.- FastSAM-3DSlicer: A 3D-Slicer Extension for 3D Volumetric Segment Anything Model with Uncertainty Quantification.
.- The Importance of Downstream Networks in Digital Pathology Foundation Models.
.- Temporal-spatial Adaptation of Promptable SAM Enhance Accuracy and Generalizability of cine CMR Segmentation.
.- Navigating Data Scarcity using Foundation Models: A Benchmark of Few-Shot and Zero-Shot Learning Approaches in Medical Imaging.
.- AutoEncoder-Based Feature Transformation with Multiple Foundation Models in Computational Pathology.
.- OSATTA: One-Shot Automatic Test Time Augmentation for Domain Adaptation.
.- Automating MedSAM by Learning Prompts with Weak Few-Shot Supervision.
.- SAT-Morph: Unsupervised Deformable Medical Image Registration using Vision Foundation Models with Anatomically Aware Text Prompt.
.- Promptable Counterfactual Diffusion Model for Unified Brain Tumor Segmentation and Generation with MRIs.
.- D- Rax: Domain-specific Radiologic assistant leveraging multi-modal data and eXpert model predictions.
.- Optimal Prompting in SAM for Few-Shot and Weakly Supervised Medical Image Segmentation.
.- UniCrossAdapter: Multimodal Adaptation of CLIP for Radiology Report Generation.
.- TUMSyn: A Text-Guided Generalist model for Customized Multimodal MR Image Synthesis.
.- SAMU: An Efficient and Promptable Foundation Model for Medical Image Segmentation.
.- Anatomical Embedding-Based Training Method for Medical Image Segmentation Foundation Models.
.- Boosting Vision-Language Models for Histopathology Classification: Predict all at once.
.- MAGDA: Multi-agent guideline-driven diagnostic assistance.
Biežāk uzdotie jautājumi par e-grāmatām