Buchumschlag

Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets

Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: Gresser, Eva Kristina (VerfasserIn) , Schachtner, Balthasar (VerfasserIn) , Stüber, Anna Theresa (VerfasserIn) , Solyanik, Olga (VerfasserIn) , Schreier, Andrea (VerfasserIn) , Huber, Thomas (VerfasserIn) , Froelich, Matthias F. (VerfasserIn) , Magistro, Giuseppe (VerfasserIn) , Kretschmer, Alexander (VerfasserIn) , Stief, Christian (VerfasserIn) , Ricke, Jens (VerfasserIn) , Ingrisch, Michael (VerfasserIn) , Nörenberg, Dominik (VerfasserIn)
Dokumenttyp: Article (Journal)
Sprache:Englisch
Veröffentlicht: November 01, 2022
In: Quantitative imaging in medicine and surgery
Year: 2022, Jahrgang: 12, Heft: 11, Pages: 4991-5003
ISSN:2223-4306
DOI:10.21037/qims-22-265
Online-Zugang:Verlag, lizenzpflichtig, Volltext: https://doi.org/10.21037/qims-22-265
Verlag, lizenzpflichtig, Volltext: https://qims.amegroups.org/article/view/101324
Volltext
Verfasserangaben:Eva Gresser, Balthasar Schachtner, Anna Theresa Stüber, Olga Solyanik, Andrea Schreier, Thomas Huber, Matthias Frank Froelich, Giuseppe Magistro, Alexander Kretschmer, Christian Stief, Jens Ricke, Michael Ingrisch, Dominik Nörenberg
Beschreibung
Zusammenfassung:Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets
Beschreibung:Gesehen am 24.06.2024
Beschreibung:Online Resource
ISSN:2223-4306
DOI:10.21037/qims-22-265

Ähnliche Einträge