计算机 | 1区SCI期刊专刊信息1条

2019 年 9 月 23 日 Call4Papers


数据库管理与信息检索

Information Fusion

Special Issue on Advances in Multimodality Data Fusion in Neuroimaging

全文截稿: 2020-05-01
影响因子: 6.639
CCF分类: 无
中科院JCR分区:
  • 大类 : 工程技术 - 1区
  • 小类 : 计算机:人工智能 - 2区
  • 小类 : 计算机:理论方法 - 1区
网址: http://www.journals.elsevier.com/information-fusion/
Neuroimaging scans, also called brain imaging scans, are being used more and more to help detect and diagnose a few medical disorders and illnesses. Currently, the main use of neuroimaging scans for mental disorders is in research studies to learn more about the disorders. Brain scans alone now are commonly used to diagnose neurological and psychiatric diseases, such as Meningioma, Multiple sclerosis, glioma, Huntington’s disease, Herpes encephalitis, Pick’s disease, Schizophrenia, Alzheimer’s disease, Cerebral toxoplasmosis, Sarcoma, Subdural hematoma¸ etc.

To increase the diagnosis accuracy on neurological and psychiatric diseases, multimodal data fusion of neuroimaging scans is expected, as it brings together data from multiple modalities into a common reference frame. In the modern sense, multimodal data fusion is frequently taken to mean the integration of the multimodal 1D/2D/3D/4D data in a common reference anatomical space through co-registration using various image processing methods. The sources of data modalities are from a wide variety of clinical settings, including electrocardiography (ECG), electroencephalography (EEG), magnetic resonance imaging (MRI), magnetic resonance spectroscopy (MRS), electrocorticography (ECoG), functional MRI (fMRI), positron emission tomography (PET), diffusion tensor imaging (DTI), Single Photon Emission Computed Tomography (SPECT), and Magnetic Particle Imaging (MPI).

The main aim of advances in multimodality data fusion in neuroimaging is to exploit complementary properties of several single-modality scanning protocols in order to improve each of them considered separately, so as to improve the diagnosis accuracy of neurological and psychiatric diseases. This special issue aims to provide a forum for academic and industrial communities to report recent theoretical and application results related to Advances in Multimodality data fusion in neuroimaging from the perspectives of theories, algorithms, architectures, and applications.

Manuscripts (which should be original and not previously published either in full or in part or presented even in a more or less similar form at any other forum) covering unpublished research that report the advances in multimodality data fusion in neuroimaging are invited.

The manuscript will be judged solely on the basis of new contributions excluding the contributions made in earlier publications. Contributions should be described in sufficient detail to be reproducible on the basis of the material presented in the paper and the references cited therein.

Topics appropriate for this special issue include (but are not necessarily limited to):

New techniques, models, algorithms, and clinical experiences for multimodality data fusion systems

Deep learning models for multimodality neuroimaging data processing

Feature fusion for multimodality intelligent systems

Shared multimodality representation learning

Improved algorithms for multimodality neuroimaging data fusion systems

Analysis on big multimodality data fusion

Hierarchical intelligent systems for multimodality data fusion

Multimodality data fusion applications for neuroimaging

Multimodality data fusion applications in audio areas

Multimodality data fusion applications in computer vision related areas

Signal processing on graphs for fusion methods

Computational issues in fusion methods for real-time bio-signal analysis

Heterogeneous sensor fusion in big neuroimaging data context

Tensor methods and constraint techniques for multimodality data fusion



广告


登录查看更多
3

相关内容

CVPR 2022 将于2022年 6 月 21-24 日在美国的新奥尔良举行。CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写,即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议,会议的主要内容是计算机视觉与模式识别技术。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【CAAI 2019】自然语言与理解,苏州大学| 周国栋教授
专知会员服务
62+阅读 · 2019年12月1日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
计算机类 | 低难度国际会议信息6条
Call4Papers
6+阅读 · 2019年4月28日
人工智能 | SCI期刊专刊/国际会议信息7条
Call4Papers
7+阅读 · 2019年3月12日
人工智能 | CCF推荐期刊专刊约稿信息6条
Call4Papers
5+阅读 · 2019年2月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
医学 | 顶级SCI期刊专刊/国际会议信息4条
Call4Papers
5+阅读 · 2018年12月28日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
人工智能类 | 国际会议/SCI期刊专刊信息9条
Call4Papers
4+阅读 · 2018年7月10日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
Arxiv
20+阅读 · 2020年6月8日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Arxiv
45+阅读 · 2019年12月20日
VIP会员
相关VIP内容
【CAAI 2019】自然语言与理解,苏州大学| 周国栋教授
专知会员服务
62+阅读 · 2019年12月1日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
计算机类 | 低难度国际会议信息6条
Call4Papers
6+阅读 · 2019年4月28日
人工智能 | SCI期刊专刊/国际会议信息7条
Call4Papers
7+阅读 · 2019年3月12日
人工智能 | CCF推荐期刊专刊约稿信息6条
Call4Papers
5+阅读 · 2019年2月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
医学 | 顶级SCI期刊专刊/国际会议信息4条
Call4Papers
5+阅读 · 2018年12月28日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
人工智能类 | 国际会议/SCI期刊专刊信息9条
Call4Papers
4+阅读 · 2018年7月10日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
Top
微信扫码咨询专知VIP会员