Vor Ort
Merkzettel Warenkorb
Produktbild: Foundation Models for 3D Biomedical Image Segmentation
Band 16447

Foundation Models for 3D Biomedical Image Segmentation CVPR 2025 Challenge, MedSegFM 2025, Held in Conjunction with CVPR 2025, Nashville, TN, USA, June 11–15, 2025, Proceedings

Aus der Reihe Lecture Notes in Computer Science

57,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

10.05.2026

Abbildungen

XII, 240 p. 82 illus., 80 illus. in color.

Herausgeber

Jun Ma + weitere

Verlag

Springer

Seitenzahl

240

Maße (L/B/H)

23,5/15,5/1,4 cm

Gewicht

388 g

Sprache

Englisch

ISBN

978-3-032-23495-7

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

10.05.2026

Abbildungen

XII, 240 p. 82 illus., 80 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

240

Maße (L/B/H)

23,5/15,5/1,4 cm

Gewicht

388 g

Sprache

Englisch

ISBN

978-3-032-23495-7

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Foundation Models for 3D Biomedical Image Segmentation

  • .- Exploring Foundation Model Adaptations for 3D Medical Imaging: Prompt-Based Segmentation with xLSTM network.


    .- ENSAM: an efficient foundation model for interactive segmentation of 3D medical images.


    .- GAMT: A Geometry-Aware, Multi-View, Training-free Segmentation Framework for Foundation Models in Medical Imaging.


    .- Five Models for Five Modalities: Open-Vocabulary Segmentation in Medical Imaging.


    .- Medal S: Spatio-Textual Prompt Model for Medical Segmentation.


    .- From Single-Round to Sequential: Building Stateful Interactive Medical Image Segmentation with SegVol and GRU Corrector.


    .- BiomedParse-V : Scaling Foundation Model for Universal Text-guided Volumetric Biomedical Image Segmentation.


    .- Enhancing a 3D Foundation Model with Gaussian Sampling for Interactive Biomedical Image Segmentation.


    .- Dynamic Prompt Generation for Interactive 3D Medical Image Segmentation Training.


    .- iMedSTAM: Interactive Segmentation and Tracking Anything in 3D Medical Images and Videos.


    .- Text3DSAM: Text-Guided 3D Medical Image Segmentation Using SAM-Inspired Architecture.


    .- Rethinking RoI Strategy in Interactive 3D Segmentation for Medical Images.


    .- Intensity-Based Prompt Generation for Multi-Modality 3D Medical Image Segmentation.