Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Robust vs. Non-robust radiomic features: the quest for optimal machine learning models using phantom and clinical studies
2025·6 Zitationen·Cancer ImagingOpen Access
Volltext beim Verlag öffnen6
Zitationen
8
Autoren
2025
Jahr
Abstract
Für dieses Paper ist kein Abstract in der Datenbank hinterlegt.
Abstract beim Verlag einsehenÄhnliche Arbeiten
New response evaluation criteria in solid tumours: Revised RECIST guideline (version 1.1)
2008 · 28.834 Zit.
TNM Classification of Malignant Tumours
1987 · 16.123 Zit.
A survey on deep learning in medical image analysis
2017 · 13.528 Zit.
Reduced Lung-Cancer Mortality with Low-Dose Computed Tomographic Screening
2011 · 10.749 Zit.
The American Joint Committee on Cancer: the 7th Edition of the AJCC Cancer Staging Manual and the Future of TNM
2010 · 9.104 Zit.
Autoren
Institutionen
- McGill University(CA)
- Douglas Mental Health University Institute(CA)
- University Hospital of Geneva(CH)
- Masih Daneshvari Hospital(IR)
- Shahid Beheshti University of Medical Sciences(IR)
- Obuda University(HU)
- University of Groningen(NL)
- University Medical Center Groningen(NL)
- University of Southern Denmark(DK)
- Tehran University of Medical Sciences(IR)
Themen
Radiomics and Machine Learning in Medical ImagingAdvanced X-ray and CT ImagingArtificial Intelligence in Healthcare and Education