Zobrazeno 1 - 10
of 128
pro vyhledávání: '"Bello, Ghalib A."'
Autor:
Duan, Jinming, Schlemper, Jo, Qin, Chen, Ouyang, Cheng, Bai, Wenjia, Biffi, Carlo, Bello, Ghalib, Statton, Ben, O'Regan, Declan P, Rueckert, Daniel
In this work, we propose a deep learning approach for parallel magnetic resonance imaging (MRI) reconstruction, termed a variable splitting network (VS-Net), for an efficient, high-quality reconstruction of undersampled multi-coil MR data. We formula
Externí odkaz:
http://arxiv.org/abs/1907.10033
Autor:
Bello, Ghalib A., Dawes, Timothy J. W., Duan, Jinming, Biffi, Carlo, de Marvao, Antonio, Howard, Luke S. G. E., Gibbs, J. Simon R., Wilkins, Martin R., Cook, Stuart A., Rueckert, Daniel, O'Regan, Declan P.
Publikováno v:
Nature Machine Intelligence, 1, 95-104 (2019)
Motion analysis is used in computer vision to understand the behaviour of moving objects in sequences of images. Optimising the interpretation of dynamic biological systems requires accurate and precise motion tracking as well as efficient representa
Externí odkaz:
http://arxiv.org/abs/1810.03382
Autor:
Duan, Jinming, Bello, Ghalib, Schlemper, Jo, Bai, Wenjia, Dawes, Timothy J W, Biffi, Carlo, de Marvao, Antonio, Doumou, Georgia, O'Regan, Declan P, Rueckert, Daniel
Deep learning approaches have achieved state-of-the-art performance in cardiac magnetic resonance (CMR) image segmentation. However, most approaches have focused on learning image intensity features for segmentation, whereas the incorporation of anat
Externí odkaz:
http://arxiv.org/abs/1808.08578
Autor:
Duan, Jinming, Schlemper, Jo, Bai, Wenjia, Dawes, Timothy J W, Bello, Ghalib, Doumou, Georgia, De Marvao, Antonio, O'Regan, Declan P, Rueckert, Daniel
In this paper we introduce a novel and accurate optimisation method for segmentation of cardiac MR (CMR) images in patients with pulmonary hypertension (PH). The proposed method explicitly takes into account the image features learned from a deep neu
Externí odkaz:
http://arxiv.org/abs/1807.10760
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
To develop and validate Machine Learning techniques for predicting individual patient outcomes in Pulmonary Hypertension (PH) using computational cardiovascular phenotyping.
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::3c0016ab41040f39ee975a8723762088
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.