![]() | Monter d'un niveau |
Ce graphique trace les liens entre tous les collaborateurs des publications de Eugene Vorontsov 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.
Un 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 Eugene Vorontsov. 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.
Alefsen, M., Vorontsov, E., & Kadoury, S. (octobre 2023). M-GenSeg: Domain Adaptation for Target Modality Tumor Segmentation with Annotation-Efficient Supervision [Communication écrite]. 26th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2023), Vancouver, BC, Canada. Lien externe
Antonelli, M., Reinke, A., Bakas, S., Farahani, K., Kopp-Schneider, A., Landman, B. A., Litjens, G., Menze, B., Ronneberger, O., Summers, R. M., van Ginneken, B., Bilello, M., Bilic, P., Christ, P. F., Do, R. K. G., Gollub, M. J., Heckers, S. H., Huisman, H., Jarnagin, W. R., ... Cardoso, M. J. (2022). The medical segmentation decathlon. Nature Communications, 13(1), 4128 (13 pages). Disponible
Anbil Parthipan, S. C., Sankar, C., Vorontsov, E., Kahou, S. E., & Bengio, Y. (2019). Towards Non-Saturating Recurrent Units for Modelling Long-Term Dependencies. AAAI Conference on Artificial Intelligence, 33(1), 3280-3287. Lien externe
Bilic, P., Christ, P., Li, H. B., Vorontsov, E., Ben-Cohen, A., Kaissis, G., Szeskin, A., Jacobs, C., Mamani, G. E. H., Chartrand, G., Lohöfer, F., Holch, J. W., Sommer, W., Hofmann, F., Hostettler, A., Lev-Cohain, N., Drozdzal, M., Amitai, M. M., Vivanti, R., ... Menze, B. (2023). The Liver Tumor Segmentation Benchmark (LiTS). Medical Image Analysis, 84, 102680 (24 pages). Lien externe
Cros, S., Bouttier, H., Nguyen-Tân, P. F., Vorontsov, E., & Kadoury, S. (2022). Combining dense elements with attention mechanisms for 3D radiotherapy dose prediction on head and neck cancers. Journal of Applied Clinical Medical Physics, 23(8), e13655 (15 pages). Lien externe
Cros, S., Vorontsov, E., & Kadoury, S. (avril 2021). Managing Class Imbalance in Multi-Organ CT Segmentation in Head and Neck Cancer Patients [Communication écrite]. 18th IEEE International Symposium on Biomedical Imaging (ISBI 2021), Nice, France. Lien externe
Chartrand, G., Cheng, P. M., Vorontsov, E., Drozdzal, M., Turcotte, S., Pal, C. J., Kadoury, S., & Tang, A. (2017). Deep Learning: A Primer for Radiologists. RadioGraphics, 37(7), 2113-2131. Lien externe
de Boisredon d’Assier, M. A., Portafaix, A., Vorontsov, E., Le, W. T., & Kadoury, S. (2024). Image-level supervision and self-training for transformer-based cross-modality tumor segmentation. Medical Image Analysis, 97, 103287 (16 pages). Lien externe
Drozdzal, M., Chartrand, G., Vorontsov, E., Shakeri, M., Di Jorio, L., Tang, A., Romero, A., Bengio, Y., Pal, C. J., & Kadoury, S. (2018). Learning normalized inputs for iterative estimation in medical image segmentation. Medical Image Analysis, 44, 1-13. Lien externe
Drozdzal, M., Vorontsov, E., Chartrand, G., Kadoury, S., & Pal, C. J. (octobre 2016). The Importance of Skip Connections in Biomedical Image Segmentation [Communication écrite]. 2nd International Workshop on Deep Learning in Medical Image Analysis (DLMIA 2016), held in conjunction with MICCAI 2016, Athens, Greece. Lien externe
Kerg, G., Goyette, K., Touzel, M. P., Gidel, G., Vorontsov, E., Bengio, Y., & Lajoie, G. (décembre 2019). Non-normal Recurrent Neural Network (nnRNN): learning long time dependencies while improving expressivity with transient dynamics [Communication écrite]. 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, B.-C.. Lien externe
Le, W. T., Vorontsov, E., Romero, F. P., Seddik, L., Elsharief, M. M., Nguyen-Tân, P. F., Roberge, D., Bahig, H., & Kadoury, S. (2022). Cross-institutional outcome prediction for head and neck cancer patients using self-attention neural networks. Scientific Reports, 12(1), 17 pages. Lien externe
Vorontsov, E., Molchanov, P., Gazda, M., Beckham, C., Kautz, J., & Kadoury, S. (2022). Towards annotation-efficient segmentation via image-to-image translation. Medical Image Analysis, 82, 102624 (16 pages). Lien externe
Vorontsov, E., & Kadoury, S. (octobre 2021). Label noise in segmentation networks: Mitigation must deal with bias [Communication écrite]. 1st MICCAI Workshop on Data Augmentation, Labelling and Imperfections (DALI 2021). Lien externe
Vorontsov, E. (2020). On Medical Image Segmentation and on Modeling Long Term Dependencies [Thèse de doctorat, Polytechnique Montréal]. Disponible
Vorontsov, E., Cerny, M., Régnier, P., Di Jorio, L., Pal, C. J., Lapointe, R., Vandenbroucke-Menu, F., Turcotte, S., Kadoury, S., & Tang, A. (2019). Deep learning for automated segmentation of liver lesions at cCT in patients with colorectal cancer liver metastases. Radiology: Artificial Intelligence, 1(2), 180014. Lien externe
Vorontsov, E., Tang, A., Pal, C. J., & Kadoury, S. (avril 2018). Liver lesion segmentation informed by joint liver segmentation [Communication écrite]. 15th IEEE International Symposium on Biomedical Imaging (ISBI 2018), Washington, D.C.. Lien externe
Vorontsov, E., Abi-Jaoudeh, N., & Kadoury, S. (2014). Metastatic liver tumor segmentation using texture-based omni-directional deformable surface models. Dans Abdominal Imaging. Computational and Clinical Applications : 6th International Workshop (ABDI 2014) held in conjunction with (MICCAI 2014) (Vol. 8676, p. 74-83). Lien externe