Zobrazeno 1 - 10 of 21 pro vyhledávání: '"Bruno Astuto"'
1
Akademický článek
Deep learning for large scale MRI-based morphological phenotyping of osteoarthritis
Autor: Nikan K. Namiri, Jinhee Lee, Bruno Astuto, Felix Liu, Rutwik Shah, Sharmila Majumdar, Valentina Pedoia
Publikováno v: Scientific Reports, Vol 11, Iss 1, Pp 1-10 (2021)
Abstract Osteoarthritis (OA) develops through heterogenous pathophysiologic pathways. As a result, no regulatory agency approved disease modifying OA drugs are available to date. Stratifying knees into MRI-based morphological phenotypes may provide i
Externí odkaz: https://doaj.org/article/64ad8910af6d4df0b07397fb075826fa
Zobrazit plný text záznamu
3
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
4
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
5
A Personalized Risk Model Leverages MRI-based Structural Phenotypes and Clinical Factors to Predict Incidence of Radiographic Osteoarthritis
Autor: Jinhee J, Lee, Nikan K, Namiri, Bruno, Astuto, Thomas M, Link, Sharmila, Majumdar, Valentina, Pedoia
Publikováno v: Arthritis careresearch.
Our study aimed to investigate the association between time to incidence of radiographic osteoarthritis (OA) and MRI-based structural phenotypes proposed by Rapid OsteoArthritis MRI Eligibility Score (ROAMES).A retrospective cohort of 2,328 participa
Externí odkaz: https://explore.openaire.eu/search/publication?articleId=pmid________::bfd29061d65c2a27d406c3ee0a2beeae
https://pubmed.ncbi.nlm.nih.gov/35245407
Zobrazit plný text záznamu
6
Automatic Deep Learning–assisted Detection and Grading of Abnormalities in Knee MRI Studies
Autor: Bruno Astuto, Io Flament, Nikan K. Namiri, Rutwik Shah, Upasana Bharadwaj, Thomas M. Link, Matthew D. Bucknor, Valentina Pedoia, Sharmila Majumdar
Publikováno v: Radiol Artif Intell
PURPOSE: To test the hypothesis that artificial intelligence (AI) techniques can aid in identifying and assessing lesion severity in the cartilage, bone marrow, meniscus, and anterior cruciate ligament (ACL) in the knee, improving overall MRI interre
Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::4b5eae89d1b0b58d41ae2fe2ce77b64c
https://europepmc.org/articles/PMC8166108/
Zobrazit plný text záznamu
7
Deep learning for large scale MRI-based morphological phenotyping of osteoarthritis
Autor: Bruno Astuto, Jinhee Lee, Rutwik Shah, Valentina Pedoia, Sharmila Majumdar, Felix Liu, Nikan K. Namiri
Publikováno v: Scientific Reports
Scientific reports, vol 11, iss 1
Scientific Reports, Vol 11, Iss 1, Pp 1-10 (2021)
Osteoarthritis (OA) develops through heterogenous pathophysiologic pathways. As a result, no regulatory agency approved disease modifying OA drugs are available to date. Stratifying knees into MRI-based morphological phenotypes may provide insight in
Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::3fe13bec57557be056d9d4ded4320b3a
https://pubmed.ncbi.nlm.nih.gov/34035386
Zobrazit plný text záznamu
8
Deep Learning for Hierarchical Severity Staging of Anterior Cruciate Ligament Injuries from MRI
Autor: Valentina Pedoia, Bruno Astuto, Nikan K. Namiri, Thomas M. Link, Radhika Tibrewala, Io Flament, Francesco Caliva, Rutwik Shah, Sharmila Majumdar
Publikováno v: Radiology. Artificial intelligence, vol 2, iss 4
Radiol Artif Intell
PURPOSE: To evaluate the diagnostic utility of two convolutional neural networks (CNNs) for severity staging of anterior cruciate ligament (ACL) injuries. MATERIALS AND METHODS: In this retrospective study, 1243 knee MR images (1008 intact, 18 partia
Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::5fe74e8960963a18987c427667c70ab6
https://escholarship.org/uc/item/3t21z1zp
Zobrazit plný text záznamu
10
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Vyhledávací nástroje:

Upřesnit hledání

Omezení vyhledávání
Plný text Recenzováno Digitální knihovna AV ČR
Zdroje