Prediction of disease severity in COPD: a deep learning approach for anomaly-based quantitative assessment of chest CT

To quantify regional manifestations related to COPD as anomalies from a modeled distribution of normal-appearing lung on chest CT using a deep learning (DL) approach, and to assess its potential to predict disease severity.

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Almeida, Silvia D. (VerfasserIn) , Norajitra, Tobias (VerfasserIn) , Lüth, Carsten T. (VerfasserIn) , Wald, Tassilo (VerfasserIn) , Weru, Vivienn (VerfasserIn) , Nolden, Marco (VerfasserIn) , Jäger, Paul F. (VerfasserIn) , Stackelberg, Oyunbileg von (VerfasserIn) , Heußel, Claus Peter (VerfasserIn) , Weinheimer, Oliver (VerfasserIn) , Biederer, Jürgen (VerfasserIn) , Kauczor, Hans-Ulrich (VerfasserIn) , Maier-Hein, Klaus H. (VerfasserIn)
Dokumenttyp:	Article (Journal)
Sprache:	Englisch
Veröffentlicht:	2024
In:	European radiology Year: 2024, Jahrgang: 34, Heft: 7, Pages: 4379–4392
ISSN:	1432-1084
DOI:	10.1007/s00330-023-10540-3
Online-Zugang:	Verlag, lizenzpflichtig, Volltext: https://doi.org/10.1007/s00330-023-10540-3
Verfasserangaben:	Silvia D. Almeida, Tobias Norajitra, Carsten T. Lüth, Tassilo Wald, Vivienn Weru, Marco Nolden, Paul F. Jäger, Oyunbileg von Stackelberg, Claus Peter Heußel, Oliver Weinheimer, Jürgen Biederer, Hans-Ulrich Kauczor and Klaus Maier-Hein

Beschreibung
Zusammenfassung:	To quantify regional manifestations related to COPD as anomalies from a modeled distribution of normal-appearing lung on chest CT using a deep learning (DL) approach, and to assess its potential to predict disease severity.
Beschreibung:	Gesehen am 18.03.2024
Beschreibung:	Online Resource
ISSN:	1432-1084
DOI:	10.1007/s00330-023-10540-3