{“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”：[[2024,5,1]]，“日期时间”：“2024-05-01T07:04:31Z”，“时间戳”：1714547071121}，“出版商位置”：“查姆”，“参考计数”：26，“出版者”：“斯普林格国际出版公司”，“isbn-type”：[{“值”：“9783030872397”，“类型”：”打印“}，{“值”：“9783030872403”，“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\/978-3-030-87240-3_55“，”类型“book-capter”，“创建”：{“日期部分”：[[2021,9,23]]，“日期时间”：“2021-09-23T07:44:03Z”，“时间戳”：1632383043000}，“页面”：“571-580”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，《is-referenced-by-count》：13，“标题”：[“非对称三维上下文融合用于通用病变检测”]，“前缀”：“10.1007”，”作者：[{“给定”：“建城”，“家族”：“杨”，“序列”：“第一个”，“隶属关系”：[]}，{“给定”：“彝族”，“家庭”：“他”，“序列”：“附加”，“隶属”：[]}，}“给定的”：“开明”，“家族”：“匡”，“顺序”：“额外”，“从属关系”：[]}“：[]}，{”给定“：”兵兵“，”家庭“：“Ni”，“sequence”：“additional”，“affiliation”：[]｝]，“member”：“297”，“在线发布”：｛“date parts”：[[2021,9,21]]｝，“reference”：[｛“key”：“55_CR1”，“nonstructured”：“Antonelli，M.，Reinke，A.，Bakas，S.等人：医学细分十项全能。arXiv预印本arXiv:2106.05735（2021）”｝，｛“key”：“55_CR2”，“doi asserted by”：“crossref”，“nonstructured”：“Carreira，J.，Zisserman，A.：Quo-vadis，动作识别？一种新模型和动力学数据集。In:CVPR，pp.6299\u20136308（2017）”，“DOI”：“10.1109\/CVPR.2017.502”}，{“key”：“55_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Deng，J.，Dong，W.，Socher，R.，Li，L.J.，Li.，K.，Fei-Fei，L.：Imagenet：大型分层图像数据库。In:CVPR，pp.248\u2013255（2009）”，“DOI”：“10.1109\/CVPR.2009.5206848”}，{“key”：“55_CR4”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Gkioxari，G.，Doll\u00e1r，P.，Girshick，R.B.：Mask R-cnn.In:ICCV，pp.2980\u20132988（2017）”，“DOI”：“10.1109\/ICCV.2017.322”}，{“key”：“55_CR5”，“DOI-asserted-by”：“crossref”，“unstructured”：“Huang，G，Liu，Z.，Van Der Maaten，L.，Weinberger，K.Q.：紧密连接卷积网络。In:CVPR，vol.1，P.3（2017）“，”DOI“：“10.1109\/CVPR.2017.243”}，{“key”：“55_CR6”，“doi-asserted-by”：“publisher”，“first page”：”103106“，“doi”：“10.1016\/j.ebiom.2020.103106”，“卷”：“62”，“作者”：“L Jin”，“年份”：“2020”，“非结构化”：“Jin，L.，et al.：CT扫描肋骨骨折的深度学习辅助检测和分割：fracnet的开发和验证。EBioMedicine 62，103106（2020）”，“日志标题”：“EBioMedical”}，{“key”：“55_CR7”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：”417“doi”：“10.1007 \/978-3-030-59719-1_41”，“volume-title”：“医学图像计算和计算机辅助干预”，“author”：“H Li”，“year”：“2020”，“unstructured”：“Li，H.，Han，H，Zhou，S.K.：通用病变检测边界图。In:Martel，A.L.，et al.（eds.）MICCAI020。LNCS，第12264卷，第417\u2013428页。施普林格，查姆（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59719-1_41“}，{“key”：“55_CR8”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“13”，“doi”：“10.1007\/978-030-32226-7_2”，“volume-title”：《医学图像计算与计算机辅助干预》，“author”：“Z-Li”，“年份”：“2019”，“非结构化”：“Li，Z.，Zhang，S.，Zhanng，J.，Huang，K.，Wang，Y.，Yu，Y.：MVP-Net：多视图FPN，具有位置感知功能，用于深度通用病变检测。收录人：Shen，D.等人（编辑）MICCAI 2019。LNCS，第11769卷，第13\u201321页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-32226-7_2“}，{“key”：“55_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“Lin，J.，Gan，C.，Han，S.：Tsm：高效视频理解的时间转换模块。In:ICCV，pp.7083\u20137093（2019）”，“doi”：“10.1109\/ICCV.2019.00718”}，“key“：”55_CR10“，”doi-assert-by“：“cross-ref”，非结构化“：”Lin，T.Y.，Doll\u00e1r，P.，Girshick，R.B.，He，K.，Hariharan，B.，Belongie，S.J.：目标检测的特征金字塔网络。在：VPR，pp.936\u2013944（2016）“，”DOI“：”10.1109\/CVPR.2017.106“｝，｛”key“：”55_CR11“，”DOI断言“：”出版商“，”首页“：”60“，”DOI“：”10.1016\/j.media.2017.07.005“，”卷“：”42“，”作者“：”G Litjens“，”年份“：”2017“，”非结构化“：”Litjens，G.等人：医学图像分析中的深度学习调查.Med.image Anal.42，60\u201388（2017）“，”journal-title“：”医学图像分析。“}，{”key“：”55_CR12“，”unstructured“：”Luo，W.，Li，Y.，Urtasun，R.，Zemel，R.S.：理解深卷积神经网络中的有效感受野。in:NIPS（2016）“}”，{“key”：“55_CR13”，“doi-asserted-by”：“crossref”，“unstructure”：“”邱，Z.，姚，T.，梅，T.：使用伪三维残差网络学习时空表示。收录于：ICCV，pp.5533\u20135541（2017）“，“DOI”：“10.1109\/ICCV.2017.590”}，{“issue”：“3”，“key”：“55_CR14”，“DOI-asserted-by”：“publisher”，“first page”：Rother，C.，Kolmogorov，V.，Blake，A.：使用迭代图切割的GrabCut交互式前景提取。ACM事务处理。图表。（TOG）23（3），309\u2013314（2004）“，“日记标题”：“ACM Trans。图表。（TOG）“}，{”key“：”55_CR15“，”doi-asserted-by“：”publisher“，”first page“：“221”，”doi“：”10.1146“，annurev-bioeng-071516-044442“，”volume“:”19“，”author“：”D Shen“，”year“：”2017“，”unstructured“：”Shen，D.，Wu，G.，Suk，H.I.：医学图像分析中的深度学习。Annu.Rev.Biomed.Eng.19，221\u2013248（2017）“，”journal-title“：”annurev.Rev..生物识别.工程“}，{”key“：”55_CR16“，”doi-asserted-by“：”crossref“，”unstructured“：”Tang，Y.B.，Yan，K.，Tang，Y.X.，Liu，J.，Xiao，J.、Summers，R.M.：Uldor：一种通用病变检测器，用于CT扫描，带有伪掩模和硬阴性样本挖掘。收录于：ISBI，第833\u2013836页。IEEE（2019）“，”DOI“：”10.1109\/ISBI.2019.8759478“}，{”key“：”55_CR17“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“175”，“DOI”：“10.1007\/978-3-030-32226-7_20”，“volume-title”：“医学图像计算和计算机辅助干预”，“author”：“X Wang”，“year”：“2019”，“unstructured”：“”Wang，X.，Han，S.，Chen，Y.，Gao，D.，Vasconcelos，N.：三维医学图像分割和检测的体积关注度。收录人：Shen，D.等人（编辑）MICCAI 2019。LNCS，第11769卷，第175\u2013184页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-32226-7_20“}，{“key”：“55_CR18”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“66”，“doi”：“10.1007\/978-300-59722-1_7”，“volume-title”：《医学图像计算与计算机辅助干预》，“author”：“D Wei”，“年份”：“2020”，“非结构化”：“Wei，D.等人：MitoEM数据集：从EM图像中大规模3D线粒体实例分割。摘自：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12265卷，第66\u201376页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59722-1_7“}，{“key”：“55_CR19”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“511”，“doi”：“10.1007\/9783-030-00928-1_58”，“volume-title”：《医学图像计算与计算机辅助干预》，“author”：“K Yan”，“年份”：“2018”，“非结构化”：“Yan，K.，Bagheri，M.，Summers，R.M.：用于端到端损伤检测的基于区域的三维上下文增强卷积神经网络。收录人：Frangi，A.F.、Schnabel，J.A.、Davatzikos，C.、Alberola-L\u00f3pez，C.、Fichtinger，G.（编辑）MICCAI 2018。LNCS，第11070卷，第511\u2013519页。查姆施普林格（2018）。https:\/\/doi.org/10.1007\/978-3-030-00928-1_58“｝，｛“key”：“55_CR20”，“doi断言者”：“crossref”，“非结构化”：“Yan，K.等人：木兰：用于联合病变检测、标记和分割的多任务通用病变分析网络。在：MICCAI（2019）”，“doi”：“10.1007\/978-3-030-32226-722”｝，｛“key”：“55_CR21”，“doi断言者”：“crossref”，“非结构化”：“Yan，K.，et al.：野外深部病变图：在不同的大规模病变数据库中对重要放射学图像发现的关系学习和组织。其中：CVPR，pp.9261\u20139270（2018）“，”DOI“：”10.1109\/CVPR.2018.00965“}，”key“：”55_CR22“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“562”，“DOI”：“10.1007\/978-3030-59719-1_55”，“volume-title”：“医学图像计算和计算机辅助干预”，“author”：“J Yang”，“year”：“2020”，“unstructured”“：”Yang，J.等：AlignShift：缩小3D各向异性体中成像厚度的差距。摘自：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12264卷，第562\u2013572页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59719-1_55“}，{“key”：“55_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“Yang，J.，et al.：重新生成三维图像的二维卷积。IEEE J.Biomed.Health Inf.（2021）”，“doi”：“10.1109\/JBHI.2021.3049452”}，“key“：”55_CR24“，”doi-assert-by“：”crossref.“，“un结构化”：“Yang，J.，Shi，R.，Ni，B.：失眠症分类十项全能：用于医学图像分析的轻量级automl基准。In:ISBI（2021）“，”DOI“：”10.1109\/ISBI48211.2021.9434062“}，{”key“：”55_CR25“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“542”，“DOI”：“10.1007\/978-3-030-59719-1_53”，“volume-title”：“医学图像计算和计算机辅助干预”，“author”：“S Zhang”，“year”：“2020”，“unstructured”：“”Zhang，S.，et al.：使用有监督的预训练重新审视3D上下文建模，以便在CT切片中进行通用病变检测。摘自：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12264卷，第542\u2013551页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59719-1_53“}，{“key”：“55_CR26”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“402”，“doi”：“10.1007\/978-030-32226-7_45”，“volume-title”：《医学图像计算与计算机辅助干预》，“author”：“M Zlocha”，“年份”：“2019”，“非结构化”：“Zlocha，M.，Dou，Q.，Glocker，B.：利用弱RECIST标签的密集掩膜改进RetinaNet用于CT病变检测。收录人：Shen，D.等人（编辑）MICCAI 2019。LNCS，第11769卷，第402\u2013410页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-32226-7_45“}]，“container-title”：[“医学图像计算和计算机辅助干预\u2013 MICCAI 2021”，“计算机科学讲义”]，“原始标题”：[]，“链接”：[{“URL”：“https:\//link.springer.com\/content\/pdf\/10.10007\/9783-030-87240-3_55”，“内容类型”：“未指定”，“content-version”：“vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2021,12,4]]，”date-time“：”2021-12-04T23:08:01Z“，”timestamp“：1638659281000}，”score“：1，”resource“：”primary“：rts“：[[2021]]}，”ISBN“：[”9783030872397“，”9783030872403“]，”引用计数“：26，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-87240-3_55“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，”type“：”print“}，{“value”：“1611-3399”，”类型“：”electronic“}]，”subject“：[]，”published“：{”date-pa rts“：[[2021]]}，”断言“：[{“value”：“2021年9月21日”，“order”：1，“name”：“first_online，“label”：“first online”，“group”：{“name”：“ChapterHistory”，“label:”Chapter History“}}，{“value”：“MICCAI”，“order”：1，“name”:“conference_acrombit”，“table”：“ConferenceAcronym”，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}}”，{”value“：”医学图像计算与计算机辅助干预国际会议“，”order“：2，”name“：”conference_name“，”label“：”会议名称“，”group“：“标签”：“会议国家/地区“，”组“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”2021“，”order“：5，”name“:”Conference_year“，”标签“：”会议年“，”group“：name“：”ConferenceInfo“，”label“：”会议信息“}}，{“value”：“2021年10月1日”，“order”：8，“name”：“Conference_end_date”，“label”：“会议结束日期”，“group”：“：”会议信息“}}，{“value”：“miccai2021”，“order”：10，“name”：“Conference_id”，“label”：“Conference id”，“group”：{“name”:“ConferenceInfo”，“table”：“会议信息”}}会议信息“}}，{”value“：”Double-blind“，”order“：1，”name“：”type“，”label“：”type“，”group“：label“：”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）name“：”number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，”value“：“0”，”order“：5，”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）“}}]}}