Zobrazeno 1 - 10
of 835
pro vyhledávání: '"Chang, Eric Y"'
MedEval: A Multi-Level, Multi-Task, and Multi-Domain Medical Benchmark for Language Model Evaluation
Autor:
He, Zexue, Wang, Yu, Yan, An, Liu, Yao, Chang, Eric Y., Gentili, Amilcare, McAuley, Julian, Hsu, Chun-Nan
Curated datasets for healthcare are often limited due to the need of human annotations from experts. In this paper, we present MedEval, a multi-level, multi-task, and multi-domain medical benchmark to facilitate the development of language models for
Externí odkaz:
http://arxiv.org/abs/2310.14088
Autor:
Jerban, Saeed, Moazamian, Dina, Mohammadi, Hamidreza Shaterian, Ma, Yajun, Jang, Hyungseok, Namiranian, Behnam, Shin, Soo Hyun, Alenezi, Salem, Shah, Sameer B., Chung, Christine B., Chang, Eric Y., Du, Jiang
Publikováno v:
In Bone July 2024 184
Autor:
Jerban, Saeed, Afsahi, Amir Masoud, Ma, Yajun, Moazamian, Dina, Statum, Sheronda, Lombardi, Alecio F., Kakos, Lena, Dorthe, Erik, Dlima, Daryll, Du, Jiang, Chung, Christine B., Chang, Eric Y.
Publikováno v:
In Journal of Biomechanics November 2023 160
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.
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.
Autor:
Byra, Michal, Wu, Mei, Zhang, Xiaodong, Jang, Hyungseok, Ma, Ya-Jun, Chang, Eric Y, Shah, Sameer, Du, Jiang
The purpose of this work is to develop a deep learning-based method for knee menisci segmentation in 3D ultrashort echo time (UTE) cones magnetic resonance (MR) imaging, and to automatically determine MR relaxation times, namely the T1, T1$\rho$, and
Externí odkaz:
http://arxiv.org/abs/1908.01594