Výsledky vyhledávání - "Hoefler, Daniel"

Report

Fine-Tuning a Local LLaMA-3 Large Language Model for Automated Privacy-Preserving Physician Letter Generation in Radiation Oncology

Autor: Hou, Yihao, Bert, Christoph, Gomaa, Ahmed, Lahmer, Godehard, Hoefler, Daniel, Weissmann, Thomas, Voigt, Raphaela, Schubert, Philipp, Schmitter, Charlotte, Depardon, Alina, Semrau, Sabine, Maier, Andreas, Fietkau, Rainer, Huang, Yixing, Putz, Florian

Generating physician letters is a time-consuming task in daily clinical practice. This study investigates local fine-tuning of large language models (LLMs), specifically LLaMA models, for physician letter generation in a privacy-preserving manner wit

Externí odkaz: http://arxiv.org/abs/2408.10715

Zobrazit plný text záznamu

Report

Comprehensive Multimodal Deep Learning Survival Prediction Enabled by a Transformer Architecture: A Multicenter Study in Glioblastoma

Autor: Gomaa, Ahmed, Huang, Yixing, Hagag, Amr, Schmitter, Charlotte, Höfler, Daniel, Weissmann, Thomas, Breininger, Katharina, Schmidt, Manuel, Stritzelberger, Jenny, Delev, Daniel, Coras, Roland, Dörfler, Arnd, Schnell, Oliver, Frey, Benjamin, Gaipl, Udo S., Semrau, Sabine, Bert, Christoph, Fietkau, Rainer, Putz, Florian

Background: This research aims to improve glioblastoma survival prediction by integrating MR images, clinical and molecular-pathologic data in a transformer-based deep learning model, addressing data heterogeneity and performance generalizability. Me

Externí odkaz: http://arxiv.org/abs/2405.12963

Zobrazit plný text záznamu

Report

The Segment Anything foundation model achieves favorable brain tumor autosegmentation accuracy on MRI to support radiotherapy treatment planning

Autor: Putz, Florian, Grigo, Johanna, Weissmann, Thomas, Schubert, Philipp, Hoefler, Daniel, Gomaa, Ahmed, Tkhayat, Hassen Ben, Hagag, Amr, Lettmaier, Sebastian, Frey, Benjamin, Gaipl, Udo S., Distel, Luitpold V., Semrau, Sabine, Bert, Christoph, Fietkau, Rainer, Huang, Yixing

Background: Tumor segmentation in MRI is crucial in radiotherapy (RT) treatment planning for brain tumor patients. Segment anything (SA), a novel promptable foundation model for autosegmentation, has shown high accuracy for multiple segmentation task

Externí odkaz: http://arxiv.org/abs/2304.07875

Zobrazit plný text záznamu

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Vyhledávací nástroje:

Upřesnit hledání