Zobrazeno 1 - 10
of 110
pro vyhledávání: '"Gerard, Sarah E"'
Autor:
Carmo, Diedre S., Ribeiro, Jean A., Comellas, Alejandro P., Reinhardt, Joseph M., Gerard, Sarah E., Rittner, Letícia, Lotufo, Roberto A.
The COVID-19 pandemic response highlighted the potential of deep learning methods in facilitating the diagnosis, prognosis and understanding of lung diseases through automated segmentation of pulmonary structures and lesions in chest computed tomogra
Externí odkaz:
http://arxiv.org/abs/2312.02365
Autor:
Carmo, Diedre S., Tudas, Rosarie A., Comellas, Alejandro P., Rittner, Leticia, Lotufo, Roberto A., Reinhardt, Joseph M., Gerard, Sarah E.
Automated segmentation of lung abnormalities in computed tomography is an important step for diagnosing and characterizing lung disease. In this work, we improve upon a previous method and propose S-MEDSeg, a deep learning based approach for accurate
Externí odkaz:
http://arxiv.org/abs/2310.09446
Autor:
Chaudhary, Muhammad F. A., Gerard, Sarah E., Christensen, Gary E., Cooper, Christopher B., Schroeder, Joyce D., Hoffman, Eric A., Reinhardt, Joseph M.
Chest computed tomography (CT) at inspiration is often complemented by an expiratory CT to identify peripheral airways disease. Additionally, co-registered inspiratory-expiratory volumes can be used to derive various markers of lung function. Expirat
Externí odkaz:
http://arxiv.org/abs/2210.02625
Autor:
Chaudhary, Muhammad F. A., Gerard, Sarah E., Wang, Di, Christensen, Gary E., Cooper, Christopher B., Schroeder, Joyce D., Hoffman, Eric A., Reinhardt, Joseph M.
Local tissue expansion of the lungs is typically derived by registering computed tomography (CT) scans acquired at multiple lung volumes. However, acquiring multiple scans incurs increased radiation dose, time, and cost, and may not be possible in ma
Externí odkaz:
http://arxiv.org/abs/2110.07878
Autor:
Gerard, Sarah E., Herrmann, Jacob, Xin, Yi, Martin, Kevin T., Rezoagli, Emanuele, Ippolito, Davide, Bellani, Giacomo, Cereda, Maurizio, Guo, Junfeng, Hoffman, Eric A., Kaczka, David W., Reinhardt, Joseph M.
Publikováno v:
Sci Rep 11, 1455 (2021)
The purpose of this study was to develop a fully-automated segmentation algorithm, robust to various density enhancing lung abnormalities, to facilitate rapid quantitative analysis of computed tomography images. A polymorphic training approach is pro
Externí odkaz:
http://arxiv.org/abs/2010.08582
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Chaudhary, Muhammad F A, Hoffman, Eric A, Guo, Junfeng, Comellas, Alejandro P, Newell, John D, Jr, Nagpal, Prashant, Fortis, Spyridon, Christensen, Gary E, Gerard, Sarah E, Pan, Yue, Wang, Di, Abtin, Fereidoun, Barjaktarevic, Igor Z, Barr, R Graham, Bhatt, Surya P, Bodduluri, Sandeep, Cooper, Christopher B, Gravens-Mueller, Lisa, Han, MeiLan K, Kazerooni, Ella A, Martinez, Fernando J, Menchaca, Martha G, Ortega, Victor E, III, Robert Paine, Schroeder, Joyce D, Woodruff, Prescott G, Reinhardt, Joseph M *
Publikováno v:
In The Lancet Digital Health February 2023 5(2):e83-e92
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.