Zobrazeno 1 - 10
of 10
pro vyhledávání: '"MR-AC"'
Autor:
Sahar Ahangari, Anders Beck Olin, Marianne Kinggård Federspiel, Bjoern Jakoby, Thomas Lund Andersen, Adam Espe Hansen, Barbara Malene Fischer, Flemming Littrup Andersen
Publikováno v:
EJNMMI Physics, Vol 9, Iss 1, Pp 1-15 (2022)
Abstract Background Deep convolutional neural networks have demonstrated robust and reliable PET attenuation correction (AC) as an alternative to conventional AC methods in integrated PET/MRI systems. However, its whole-body implementation is still c
Externí odkaz:
https://doaj.org/article/b85801f873824243a73e1a668738edda
Deep learning for Dixon MRI-based attenuation correction in PET/MRI of head and neck cancer patients
Autor:
Anders B. Olin, Adam E. Hansen, Jacob H. Rasmussen, Björn Jakoby, Anne K. Berthelsen, Claes N. Ladefoged, Andreas Kjær, Barbara M. Fischer, Flemming L. Andersen
Publikováno v:
EJNMMI Physics, Vol 9, Iss 1, Pp 1-13 (2022)
Abstract Background Quantitative whole-body PET/MRI relies on accurate patient-specific MRI-based attenuation correction (AC) of PET, which is a non-trivial challenge, especially for the anatomically complex head and neck region. We used a deep learn
Externí odkaz:
https://doaj.org/article/eb86041cd80847dc8a904949c03c03c1
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.
Deep learning for Dixon MRI-based attenuation correction in PET/MRI of head and neck cancer patients
Autor:
Anders B. Olin, Adam E. Hansen, Jacob H. Rasmussen, Björn Jakoby, Anne K. Berthelsen, Claes N. Ladefoged, Andreas Kjær, Barbara M. Fischer, Flemming L. Andersen
Publikováno v:
Olin, A B, Hansen, A E, Rasmussen, J H, Jakoby, B, Berthelsen, A K, Ladefoged, C N, Kjær, A, Fischer, B M & Andersen, F L 2022, ' Deep learning for Dixon MRI-based attenuation correction in PET/MRI of head and neck cancer patients ', EJNMMI Physics, vol. 9, no. 1, 20 . https://doi.org/10.1186/s40658-022-00449-z
Background Quantitative whole-body PET/MRI relies on accurate patient-specific MRI-based attenuation correction (AC) of PET, which is a non-trivial challenge, especially for the anatomically complex head and neck region. We used a deep learning model
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::b994ea3c10b7b81ec46a41432f209e90
https://pubmed.ncbi.nlm.nih.gov/35294629
https://pubmed.ncbi.nlm.nih.gov/35294629
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:
Takahashi Y; Department of Radiation Science, Hirosaki University Graduate School of Health Sciences, Hirosaki, Japan., Nemoto A; Department of Advanced Clinical Research Center, Fukushima Medical University, Fukushima, Japan., Hosokawa S; Department of Radiation Science, Hirosaki University Graduate School of Health Sciences, Hirosaki, Japan., Ito H; Department of Advanced Clinical Research Center, Fukushima Medical University, Fukushima, Japan.; Department of Radiology, Fukushima Medical University, Fukushima, Japan., Oriuchi N; Department of Advanced Clinical Research Center, Fukushima Medical University, Fukushima, Japan.; Department of Nuclear Medicine, Fukushima Medical University, Fukushima, Japan.
Publikováno v:
Annals of nuclear cardiology [Ann Nucl Cardiol] 2022; Vol. 8 (1), pp. 103-108. Date of Electronic Publication: 2022 Aug 31.