{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,3,12]，“日期时间”：“2024-03-12T14:53:12Z”，“时间戳”：1710255192619}，“发布者位置”：“Cham”，“引用计数”：34，“发布商”：“Springer International Publishing”，“isbn-type”：[{“值”：“9783030872335”，“类型”：”打印“}，{“值”：“9783030872342”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}，{“开始”：{“date-ports”：[2021,1,1]，“日期-时间”：“2041-01-01T 00:00Z”，“timestamp”：1609459200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com//tdm”}，{“start”：{“date-parts”：[[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“tdm”，“delay-in-days“：0，”URL“https:\\/www.spring.com/tdm”}，“日期时间”：“2021-01-01T00:00:00Z”，“时间戳”：1609459200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[2021]}，”DOI“：”10.1007\/978-3-030-87234-2_24“，”类型“：”book-capter“，“创建”：{“日期部分”：[[2021,9,23]]，“日期时间”：“2021-09-23T06:19:41Z”，“时间戳”：1632377981000}，“页面”：“251-261”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：2，”title“：[利用EMR的辅助信息进行弱监督肺结节检测”]，“前缀”：“10.1007”，《作者》：[{“给定”：“Hao-Hsiang”，“家族”：“杨”，“序列”：“第一个”，“从属关系”：[]}，{“给定”：“福恩”，“家庭”：“王”，“顺序”：“附加”，“隶属关系”：[]}family“：”Chen“，”sequence“：”additional“，“隶属关系”：[]｝，{“给定”：“乙”，“族”：“陈”，“序列”：“附加”，“隶属关系”：[]｝，{“给定”：“鸿志”，“族”：“陈”，“序列”：“附加”，“隶属关系”：[]｝，{“给定”：“淳于”，“族”：“廖”，“序列”：“附加”，“隶属关系”：[]｝，{“给定”：“石宣”，“族”：“高”，“序列”：“附加”，“隶属关系”：[]｝，“给定”：“Yu-Chiang-Frank”，“family”：“Wang”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Chou-Chin”，“家族”：“Lan”，”sequence“：”additional“，”affiliation:[]}]，“member”：“297”，“published-online”：{“date-parts”：[2021,9,21]]}：“Bilen，H.，Vedaldi，A.：弱监督深度检测网络。In:IEEE计算机视觉和模式识别会议（CVPR）（2016）”，“DOI”：“10.1109\/CVPR.2016.311”}，{“key”：“24_CR2”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cao，H.，et al.：用于肺结节检测的两阶段卷积神经网络。IEEE生物医学与健康信息学杂志（2020）”，“DOI”：“10.1109\/JBHI.2019.2963720”}，{“key”：“24_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chikontwe，P.，Kim，M.，Nam，S.J.，Go，H.，Park，S.H.：组织病理学分类的中心嵌入多实例学习。摘自：医学图像计算和计算机辅助干预国际会议（2020年）”，“DOI”：“10.1007\/978-3-030-59722-1_50”}，{“key”：“24_CR4”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ding，J.，Li，A.，Hu，Z.，Wang，L.：使用深度卷积神经网络在计算机断层扫描图像中准确检测肺结节。in:国际医学图像计算和计算机辅助干预会议（2017）”，“DOI”：“10.1007\/978-3319-66179-7_64”}，{“key”：“24_CR5”，“DOI-asserted-by”：“crossref”，“非结构化”：“Dou，Q.，Chen，H.，Jin，Y.，Lin，H.，Qin，J.，Heng，P.：通过三维转换网络通过在线样本过滤和无杂交残差学习自动检测肺结节。In:医学图像计算和计算机辅助干预国际会议（2017）”，“DOI”：“10.1007\/978-3319-66179-7_72”}，{“key”：“24_CR6”，“doi-asserted-by”：“crossref”，“unstructured”：“Dou，Q.，Chen，H.，Yu，L.，Qin：“Gao，M.，Li，A.，Yu，R.，Morariu，V.I.，Davis，L.S.：C-wsl：计数引导弱监督定位。In:欧洲计算机视觉会议（ECCV）（2018）”，“DOI”：“10.1007\/978-3-030-01246-5_10”}，{“key”：“24_CR8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Girshick，R.B.：Fast R-CNN.In:IEEE国际计算机视觉会议（ICCV）（2015）”，“DOI”：“10.1109\/ICCV.2015.169”}，{“key”：“24_CR9”，“DOI-asserted-by”：“crossref”，“unstructured”：“Hamidian，S.，Sahiner，B.，Petrick，N.，Pezeshk，A.：用于胸部CT中肺结节自动检测的三维卷积神经网络。In:Medical Imaging 2017:计算机辅助诊断（2017）“，”DOI“：”10.1117\/12.2255795“}，{“key”：“24_CR10”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Gkioxari，G.，Doll\u00e1r，P.，Girshick，R.：Mask R-cnn.In:IEEE Conference on Computer Vision and Pattern Recognition（CVPR）（2017）”，“DOI”：“10.1109\/ICCV.2017.322”}，“”非结构化”：“Ilse，M.，Tomczak，J.，Welling，M.：基于注意力的深度多实例学习。In：机器学习国际会议（ICML）（2018）“}，{“key”：“24_CR12”，“doi-asserted-by”：“crossref”，“unstructured”：“Khosravan，N.，Bagci，U.：S4ND：单次激发单尺度肺结节检测。In：医学图像计算与计算机辅助干预国际会议（2018）”，“doi”：“10.1007\/978-3-030-00934-2_88“}，{“key”：“24_CR13”，“unstructured”：“Liu，J.，Cao，L.，Akin，O.，Tian，Y.：通过具有自监督特征学习的三维特征金字塔网络准确可靠地检测肺结节。arXiv预印本arXiv:1907.11704（2019）”}Ren，S.，He，K.，Girshick，R.B.，Sun，J.：更快的R-CNN：利用区域提议网络实现实时目标检测。In:Advances In Neural Information Processing Systems（NeurIPS）（2015）“}，{“key”：“24_CR15”，“doi-asserted-by”：“crossref”，“unstructured”：“Ren，Z.，et al.：Instance-aware，context-foccused，and memory-efficient weakery-survient object detection。In:IEEE Conference on Computer Vision and Pattern Recognition（CVPR）（2020）”，“doi”：“10.1109\/CVPR42600.2020.01061“}，{“key”：“24_CR16”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：”234“，“doi”：“10.1007\/978-3319-24574-4_28”，“volume-title”：”医学图像计算和计算机辅助干预\u2013 MICCAI 2015“，”author“：”O Ronneberger“，”年份“2015”，“非结构化”：“Ronneberger，O.，Fischer，P.，Brox，T.：U-Net：生物医学图像分割的卷积网络。收录人：Navab，N.、Horneger，J.、Wells，W.M.、Frangi，A.F.（编辑）MICCAI 2015。LNCS，第9351卷，第234\u2013241页。查姆施普林格（2015）。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_28“}，{”key“：”24_CR17“，”doi-asserted-by“：”crossref“，”unstructured“：”Sadafi，A.，et al.：基于注意力的多示例学习用于血细胞疾病分类。In:医学图像计算和计算机辅助干预国际会议（2020）“，”doi“：”10.1007\/978-3-030-59722-1_24“｝，｛”key“：”24_CR18“，”doi断言“：”crossref“，”非结构化“：”Setio，A.A.A.等人：计算机断层扫描图像中肺结节自动检测算法的验证、比较和组合：luna16挑战。Med.Image Anal.42，1\u201313（2017）“，”doi“：”10.1016\/j.media.2017.06.015“｝，｛”key“：”24_CR19“，”doi-asserted-by“：”crossref“，”unstructured“：”Tang，P.，Wang，X.，Bai，X.、Liu，W.：具有在线实例分类器优化的多实例检测网络。在：IEEE计算机视觉和模式识别会议（CVPR）（2017）“，”DOI“：”10.1109\/CVPR.2017.326“}，{“key”：“24_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wan，F.，Liu，C.，Ke，W.，Ji，X.，Jiao，J.，Ye，Q.：C-MIL：弱监督对象检测的连续多实例学习。在：IEEE计算机视觉和模式识别会议（CVPR）（2019）“，”DOI“：”10.1109\/CVPR.2019.00230“｝，｛”key“：”24_CR21“，”DOI断言“：”crossref“，”非结构化“：”Wang，B.，Qi，G.，Tang，S.，Zhang，L.，Deng，L.、Zhang、Y.：自动肺结节检测：灵敏度高，候选者少。In:国际医学图像计算和计算机辅助干预会议（2018）“，”DOI“：”10.1007\/978-3-030-00934-2_84“}，{“key”：“24_CR22”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，D.，Zhang，Y.，Zhanng，K.，Wang，L.：Focalmix：三维医学图像检测的半监督学习。In:CVPR（2020）”，“DOI”：“10.1109 \/CVPR42600.2020.00401“}，{“key”：“24_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，Q.，Shen，F.，Shen.，L.，Huang，J.，ShenXu，G.等：骆驼：组织病理学图像分割的弱监督学习框架。In:IEEE国际计算机视觉会议（ICCV）（2019）“，”DOI“：”10.1109\/ICCV.2019.01078“}，{“key”：“24_CR25”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yan，G.等：C-MIDN：将多实例检测网络与分割指导相结合，用于弱监督对象检测。In:IEEE国际计算机视觉会议（ICCV）（2019）“，”DOI“：”10.1109\/ICCV.2019.00993“}，{“key”：“24_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，C.H.，Qi，J.，Chen，P.Y.，Ma，X.，Lee，C.H.:使用自我关注u-net增强表征言语对抗示例。在：IEEE声学、语音和信号处理国际会议（ICASSP）（2020）“，”DOI“：”10.1109\/ICSPSP40776.200.9053288“}，{”key“：”24_CR27“，”DOI-asserted-by“：”crossref“，”unstructured“：”Yang，C.H.H.，Siniscalchi，S.M.，Lee，C.H.：Pate-aae：将对抗性自动编码器合并到教师信号群的私有聚合中，用于语音命令分类。arXiv预印本arXiv:2104.01271（2021）“，”DOI“：”10.21437\/Interspeech.2021-640“}，{“key”：“24_CR28”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，H.H.，Huang，K.C.，Chen，W.T.：LAFFNet：用于水下图像增强的轻量级自适应特征融合网络。In:IEEE国际机器人与自动化会议（2021年）”，“DOI“：”10.1109 \/ICRA48506.2021.9561263“}，{“key”：“24_CR29”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，H.H.，Yang，C.H.H.H，Wang，Y.C.F.：带融合网络的单图像去噪小波通道注意模块。In:IEEE国际图像处理会议（ICIP）（2020）”，“DOI”：“10.110924_CR30”，“doi asserted by”：“crossref”，“unstructured”：“Zeng，Z.，Liu，B.，Fu，J.，Chao，H.，Zhang，L.:WSOD2：学习用于弱监督对象检测的自下而上和自上而下的对象性蒸馏。摘自：IEEE国际计算机视觉会议（ICCV）（2019）“，”DOI“：”10.1109\/ICCV.2019.00838“}，{“key”：“24_CR31”，“unstructured”：“Zhang，H.，Cisse，M.，Dauphin，Y.N.，Lopez-Paz，D.：mixup：超越经验风险最小化。国际学习表征会议（ICLR）（2018）”}，“{”key“：”24_CR32“，”DOI-asserted-by“：”crossref“，”非结构化”：“Zheng，S.，Guo，J.，Cui，X.，Veldhuis，R.N.J.，Oudkerk，M.，van Ooijen，P.M.A.：基于最大强度投影的卷积神经网络在CT扫描中自动检测肺部结节。IEEE Transactions on Medical Imaging（2020）”，“DOI”：“10.1109\/TMI.2019.2935553”}，{“key”：“24_CR33”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhu，W.，Liu，C.，Fan，W.、Xie，X.：Deeplung：用于自动肺结节检测和分类的deep 3D双路径网络。In:IEEE Winter Conference on Applications of Computer Vision（2018）”，”DOI“：”10.1101\/189928“}，{“key”：“24_CR34”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhu，W.，Vang，Y.S.，Huang，Y.，Xie，X.：Deepem：使用em进行深度3D转换，用于弱监督的肺结节检测。In:国际医学图像计算和计算机辅助干预会议（MICCAI）（2018）”，“doi”：“10.1101\/322370”}]，“container-title“：[“医学图像计算和计算机辅助干预\u2013 MICCAI 2021”，“计算机科学课堂讲稿”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-030-87234-2_24”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application”：“相似性检查”}]，“存放“：{“date-parts”：[[2022,5,4]]，“date-time”：“2022-05-04T05:10:55Z”，“timestamp”：1651641055000}，“score”：1，“resource”：{主要”：{“URL”：“https:\/\/link.springer.com\/10.1007\/978-3-030-87234-2_24”}，”副标题“：[]，”短标题“[]，“issued”：{-“date-ports”：[2021]]}，《ISBN》：[“978303087272]335“，”9783030872342“]，”references-count“：34，”URL“：”http:\/\/dx.doi.org\/10.1007\/978-3-030-87234-2_24“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”03029743“，”type“:”print“}，{”value“：”1611-33049“，”类型“：”electronic“}]，”subject“：【】，”published“：{”date-parts“：【2021】】}，“assertion”：【{”值“：”2021年9月21日“，”订单“：1，”名称“：”first_online“，”标签“：”first online“，“group”：{“name“：”ChapterHistory“，”label“：”Ch章历史“}}，{“value”：“MICCAI”，“order”：1，“name”：“conference_acrombit”，“label”：“conference缩写”，“group”：{“name”:“ConferenceInfo”，”lable“：”ConferenceInformation“}，”{“value”：“医学图像计算与计算机辅助干预国际会议”，“订单”：2，“name“：“confence_name”，“标签”：“”会议名称“，”组“：{“Name”：“ConferenceInfo”，“label”：“conferenceInformation”}}，{“value”：“Strasbourg”，“order”：3，“Name”:“Conference_city”，“标签”：“会议城市”，“group”：{名称“：”ConferenceInformo“，”标签“：”会议信息“}}}ConferenceInfo“，”label“：”ConferenceInformation“}}，{”value“：”2021“，”order“：5，”name“：”Conference_year“，”标签“：”会议年份“，”group“：会议信息“}}，{“value”：“2021年10月1日”，“order”：8，“name”：“Conference_end_date”，“label”：“Conference end date”，“group”：{“name”:“ConferenceInformo”，“table”：“会议信息”}}“”miccai2021“，”order“：10，”name“：”conference_id“，”label“：”会议id“，”group“：双盲“，”顺序“：1，”名称“：”type“，”label“：”type“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”Microsoft CMT“，”order“：2，”name“:”conference_management_system“同行评审信息（由会议组织者提供）“}}，{“value”：“1622”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”33%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“4”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及的外部审阅者“，”group“：name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}]}}