Standaard Boekhandel gebruikt cookies en gelijkaardige technologieën om de website goed te laten werken en je een betere surfervaring te bezorgen.
Hieronder kan je kiezen welke cookies je wilt inschakelen:
Technische en functionele cookies
Deze cookies zijn essentieel om de website goed te laten functioneren, en laten je toe om bijvoorbeeld in te loggen. Je kan deze cookies niet uitschakelen.
Analytische cookies
Deze cookies verzamelen anonieme informatie over het gebruik van onze website. Op die manier kunnen we de website beter afstemmen op de behoeften van de gebruikers.
Marketingcookies
Deze cookies delen je gedrag op onze website met externe partijen, zodat je op externe platformen relevantere advertenties van Standaard Boekhandel te zien krijgt.
Je kan maximaal 250 producten tegelijk aan je winkelmandje toevoegen. Verwijdere enkele producten uit je winkelmandje, of splits je bestelling op in meerdere bestellingen.
This book is divided into two parts. The first part is about non-redundant clustering and feature selection for high dimensional data. The second part is on applying learning techniques to lung tumor image-guided radiotherapy. In the first part, a new clustering paradigm is investigated for exploratory data analysis: find all non-redundant clustering views of the data. Also a feature selection method is developed based on the popular transformation approach: principal component analysis (PCA). In the second part, machine learning algorithms are designed to aid lung tumor image-guided radiotherapy (IGRT). Specifically, intensive studies are preformed for gating and for directly tracking the tumor. For gating, two methods are developed: (1) an ensemble of templates where the representative templates are selected by Gaussian mixture clustering, and (2) a support vector machine (SVM) classifier with radial basis kernels. For the tracking problem, a multiple- template matching method is explored to capture the varying tumor appearance throughout the different phases of the breathing cycle.