Zobrazeno 1 - 10
of 119
pro vyhledávání: '"Casula V"'
Autor:
Lehtovirta, S. †, ‡, Mäkitie, R.E. §, Casula, V. †, ‡, Haapea, M. ‡, ‖, Niinimäki, J. †, ‡, ‖, Niinimäki, T. ¶, Peuna, A. ‡, ‖, Lammentausta, E. ‡, ‖, Mäkitie, O. §, #, ††, Nieminen, M.T. †, ‡, ‖
Publikováno v:
In Osteoarthritis and Cartilage November 2019 27(11):1636-1646
Publikováno v:
In Osteoarthritis and Cartilage March 2019 27(3):401-411
Autor:
Kajabi, A.W. †, ‡, Casula, V. †, ‡, Nissi, M.J. §, Peuna, A. †, ‖, Podlipská, J. †, ¶, Lammentausta, E. †, ‖, Saarakkala, S. †, ‡, ‖, Guermazi, A. #, Nieminen, M.T. †, ‡, ‖
Publikováno v:
In Osteoarthritis and Cartilage April 2018 26(4):580-587
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.
Autor:
Mirmojarabian, S. A. (Seyed Amir), Kajabi, A. W. (Abdul Wahed), Ketola, J. H. (Juuso H. J.), Nykänen, O. (Olli), Liimatainen, T. (Timo), Nieminen, M. T. (Miika T.), Nissi, M. J. (Mikko J.), Casula, V. (Victor)
Background: Machine learning models trained with multiparametric quantitative MRIs (qMRIs) have the potential to provide valuable information about the structural composition of articular cartilage. Purpose: To study the performance and feasibility o
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______2423::d16b95a07153f30cb5ee8d4d6fd83e22
http://urn.fi/urn:nbn:fi-fe2023052548040
http://urn.fi/urn:nbn:fi-fe2023052548040
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.
Autor:
Nykänen, O. (Olli), Nevalainen, M. (Mika), Casula, V. (Victor), Isosalo, A. (Antti), Inkinen, S. I. (Satu I.), Nikki, M. (Marko), Lattanzi, R. (Riccardo), Cloos, M. A. (Martijn A.), Nissi, M. J. (Mikko J.), Nieminen, M. T. (Miika T.)
Background: Magnetic resonance fingerprinting (MRF) is a method to speed up acquisition of quantitative MRI data. However, MRF does not usually produce contrast-weighted images that are required by radiologists, limiting reachable total scan time imp
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______2423::08ef094de4d056987f8719df09ddb71b
http://urn.fi/urn:nbn:fi-fe2023063068685
http://urn.fi/urn:nbn:fi-fe2023063068685
Autor:
Nykänen, O. (Olli), Isosalo, A. (Antti), Inkinen, S. (Satu), Casula, V. (Victor), Nevalainen, M. (Mika), Lattanzi, R. (Riccardo), Cloos, M. (Martijn), Nissi, M. (Mikko), Nieminen, M. T. (Miika T.)
Synopsis In this study, deep convolutional neural networks (DCNN) are used to synthesize contrast-weighted magnetic resonance (MR) images from quantitative parameter maps of the knee joint obtained with magnetic resonance fingerprinting (MRF). Traini
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______2423::c8fab314fed38eee6e3ba6976ee788ae
http://urn.fi/urn:nbn:fi-fe2023063068891
http://urn.fi/urn:nbn:fi-fe2023063068891