Zobrazeno 1 - 10
of 9 073
pro vyhledávání: '"Institutional Evaluation"'
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:
Weibin Zhang, Qihui Guo, Yuli Zhu, Meng Wang, Tong Zhang, Guangwen Cheng, Qi Zhang, Hong Ding
Publikováno v:
Cancer Imaging, Vol 24, Iss 1, Pp 1-10 (2024)
Abstract Purpose To conduct a head-to-head comparison between deep learning (DL) and radiomics models across institutions for predicting microvascular invasion (MVI) in hepatocellular carcinoma (HCC) and to investigate the model robustness and genera
Externí odkaz:
https://doaj.org/article/60707a32a88b4fa6ac2fe84f60aae388
Autor:
Müller-Franzes, Gustav, Müller-Franzes, Fritz, Huck, Luisa, Raaff, Vanessa, Kemmer, Eva, Khader, Firas, Arasteh, Soroosh Tayebi, Nolte, Teresa, Kather, Jakob Nikolas, Nebelung, Sven, Kuhl, Christiane, Truhn, Daniel
Publikováno v:
Sci Rep 13, 14207 (2023)
Accurate and automatic segmentation of fibroglandular tissue in breast MRI screening is essential for the quantification of breast density and background parenchymal enhancement. In this retrospective study, we developed and evaluated a transformer-b
Externí odkaz:
http://arxiv.org/abs/2304.08972
Objective: The generalizability of clinical large language models is usually ignored during the model development process. This study evaluated the generalizability of BERT-based clinical NLP models across different clinical settings through a breast
Externí odkaz:
http://arxiv.org/abs/2303.08448
Autor:
Philip A Wheeler, Nicholas S West, Richard Powis, Rhydian Maggs, Michael Chu, Rachel A Pearson, Nick Willis, Bartlomiej Kurec, Katie L. Reed, David G. Lewis, John Staffurth, Emiliano Spezi, Anthony E. Millin
Publikováno v:
Radiation Oncology, Vol 19, Iss 1, Pp 1-11 (2024)
Abstract Background Current automated planning solutions are calibrated using trial and error or machine learning on historical datasets. Neither method allows for the intuitive exploration of differing trade-off options during calibration, which may
Externí odkaz:
https://doaj.org/article/e896d6b30ee2484b927251cdf6a63ef2
Autor:
Brink, Laura, Romero, Ricardo Amaya, Coombs, Laura, Tilkin, Mike, Mazaheri, Sina, Gichoya, Judy, Zaiman, Zachary, Trivedi, Hari, Medina, Adam, Bizzo, Bernardo C., Chang, Ken, Kalpathy-Cramer, Jayashree, Kalra, Mannudeep K., Astuto, Bruno, Ramirez, Carolina, Majumdar, Sharmila, Lee, Amie Y., Lee, Christoph I., Cross, Nathan M., Chen, Po-Hao, Ciancibello, Michael, Chiunda, Allan, Nachand, Douglas, Shah, Chintan, Wald, Christoph
Publikováno v:
In Journal of the American College of Radiology
Autor:
das Merces Silva, Emanuelly Leticia1 emamerces04@gmail.com, de Fátima Matos de Souza, Maria2 fmatoz@gmail.com, Siqueira Lima, Gabriel3 gabriel.lima@iced.ufpa.br
Publikováno v:
Dialogia. set-dez2023, Issue 46, p1-20. 20p.