 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Adiga Vasudeva, S., Dolz, J., & Lombaert, H. (2024). Anatomically-aware uncertainty for semi-supervised image segmentation. Medical Image Analysis, 91, 103011 (10 pages). Lien externe
Adiga V., S., Dolz, J., & Lombaert, H. (2022). Attention-Based Dynamic Subspace Learners for Medical Image Analysis. IEEE Journal of Biomedical and Health Informatics, 26(9), 4599-4610. Lien externe
Adiga Vasudeva, S., Dolz, J., & Lombaert, H. (septembre 2022). Leveraging Labeling Representations in Uncertainty-Based Semi-supervised Segmentation [Communication écrite]. 25th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2022), Singapore. Lien externe
Bateson, M., Kervadec, H., Dolz, J., Lombaert, H., & Ben Ayed, I. (2022). Source-free domain adaptation for image segmentation. Medical Image Analysis, 82, 102617 (12 pages). Lien externe
Bateson, M., Dolz, J., Kervadec, H., Lombaert, H., & Ben Ayed, I. (2021). Constrained Domain Adaptation for Image Segmentation. IEEE Transactions on Medical Imaging, 40(7), 1875-1887. Lien externe
Bateson, M., Kervadec, H., Dolz, J., Lombaert, H., & Ben Ayed, I. (octobre 2020). Source-Relaxed Domain Adaptation for Image Segmentation [Communication écrite]. 23rd International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2020), Lima, Peru. Lien externe
Bateson, M., Kervadec, H., Dolz, J., Lombaert, H., & Ben Ayed, I. (octobre 2019). Constrained Domain Adaptation for Segmentation [Communication écrite]. 22nd International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2019), Shenzhen, China. Lien externe
Dolz, J., Gopinath, K., Yuan, J., Lombaert, H., Desrosiers, C., & Ben Ayed, I. (2019). HyperDense-Net: A Hyper-Densely Connected CNN for Multi-Modal Image Segmentation. IEEE Transactions on Medical Imaging, 38(5), 1116-1126. Lien externe
Galdrán, A., Anjos, A., Dolz, J., Chakor, H., Lombaert, H., & Ayed, I. B. (2022). State-of-the-art retinal vessel segmentation with minimalistic models. Scientific Reports, 12(1), 6174 (13 pages). Disponible
Galdrán, A., Dolz, J., Chakor, H., Lombaert, H., & Ben Ayed, I. (octobre 2020). Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [Communication écrite]. 23rd International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2020), Lima, Peru. Lien externe
Galdrán, A., Chelbi, J., Kobi, R., Dolz, J., Lombaert, H., ben Ayed, I., & Chakor, H. (2020). Non-uniform Label Smoothing for Diabetic Retinopathy Grading from Retinal Fundus Images with Deep Neural Networks. Translational Vision Science & Technology, 9(2), 34 (8 pages). Lien externe
Murugesan, B., Vasudeva, S. A., Liu, B., Lombaert, H., Ayed, I. B., & Dolz, J. (2025). Neighbor-aware calibration of segmentation networks with penalty-based constraints. Medical Image Analysis, 103501-103501. Lien externe
Murugesan, B., Adiga Vasudeva, S., Liu, B., Lombaert, H., Ben Ayed, I., & Dolz, J. (octobre 2023). Trust Your Neighbours: Penalty-Based Constraints for Model Calibration [Communication écrite]. 26th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2023), Vancouver, Canada. Lien externe
Vasudeva, S. A., Dolz, J., & Lombaert, H. (2025). GeoLS: an Intensity-based, Geodesic Soft Labeling for Image Segmentation. The Journal of Machine Learning for Biomedical Imaging, 2(April 2025), 120-134. Lien externe
Vasudeva, S. A., Dolz, J., & Lombaert, H. (juillet 2023). GeoLS: Geodesic Label Smoothing for Image Segmentation [Communication écrite]. Medical Imaging with Deep Learning (MIDL 2023), Nashville, TN, USA. Publié dans Proceedings of Machine Learning Research, 227. Lien externe
