Уважаемые коллеги, доброго времени суток! Представляем вам французское научное издание Ingenierie des Systemes d'Information. Журнал имеет четвертый квартиль, издается в Lavoisier, его SJR за 2020 г. равен 0,161, печатный ISSN - 1633-1311, электронный - 2116-7125, предметная область Информационные системы. Вот так выглядит обложка:
Адрес редакции - editor.isi@iieta.org.
Это международный журнал с высоким рейтингом, посвященный публикации ведущих инновационных моделей, алгоритмов, программного и аппаратного обеспечения для информационных систем. Предметные области в основном включают вопросы управления данными и вопросы, связанные с данными, в следующих областях: интеллектуальный анализ данных, управление данными, поиск информации, управление процессами, машинное обучение, научные вычисления, наука о данных и аудиовизуальные информационные системы. Приветствуются статьи о внедрении, посвященные обнаружению и допуску ошибок, параллельному и распределенному управлению данными, а также оборудованию общего или специального назначения для систем с интенсивным использованием данных. Также приветствуются рукописи из таких областей приложений, как облачная платформа, интернет - вещей (IoT) и одноранговая среда и взносы промышленных предприятий.
Адрес издания - https://iieta.org/Journals/ISI
Пример статьи, название - A Systematic Approach for Deep Learning Based Brain Tumor Segmentation. Заголовок (Abstract) - Magnetic resonance Imaging (MRI) is one of the most utilized medical imaging techniques for detecting and diagnosing the different abnormalities such as tumors, lesions within various internal organs of human body. Manual segmentation from these images is time-consuming and complex. Due to this, automatic segmentation techniques such as convolutional neural network (CNN), deep neural networks are used. An accurate, efficient and advanced computational segmentation method is extremely required for fatal diseases like brain tumor from brain MRI images. In this research work, deep learning model comprising of three channels such as patch extraction, 6 layered transfer-learning capsule and 5 layered segmentations capsule This proposed work addresses deep learning coupled with small kernels and handles the obstacles in brain tumor segmentation techniques. The proposed model is a 11-layered deep capsule network consisting of transfer learning along with two dropout layer at the input and 5 layers of segmentation channel along with dropout layers. The work presented in this paper focusses in attaining a high dice score coefficient and accuracy in brain tumor segmentation from MRI images. The model presented in this paper is effectively trained over 150 images in the dataset. The proposed work has attained comparative better results with respect to the dice score coefficient such as (0.80, 0.76, 0.76) for whole tumor [WT], active tumor [AT] and core tumor [CT] respectively. Keywords: deep neural networks, segmentation algorithm, transfer learning algorithm, brain tumor, deep capsule network