| Online-Ressource |
Verfasst von: | 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]  |
Titel: | Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets |
Verf.angabe: | 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 |
E-Jahr: | 2022 |
Jahr: | November 01, 2022 |
Umfang: | 14 S. |
Fussnoten: | Gesehen am 24.06.2024 |
Titel Quelle: | Enthalten in: Quantitative imaging in medicine and surgery |
Ort Quelle: | Hong Kong : AME Publ., 2011 |
Jahr Quelle: | 2022 |
Band/Heft Quelle: | 12(2022), 11 vom: Nov., Seite 4991-5003 |
ISSN Quelle: | 2223-4306 |
Abstract: | Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets |
DOI: | doi:10.21037/qims-22-265 |
URL: | Bitte beachten Sie: Dies ist ein Bibliographieeintrag. Ein Volltextzugriff für Mitglieder der Universität besteht hier nur, falls für die entsprechende Zeitschrift/den entsprechenden Sammelband ein Abonnement besteht oder es sich um einen OpenAccess-Titel handelt.
Volltext: https://doi.org/10.21037/qims-22-265 |
| Volltext: https://qims.amegroups.org/article/view/101324 |
| DOI: https://doi.org/10.21037/qims-22-265 |
Datenträger: | Online-Ressource |
Sprache: | eng |
K10plus-PPN: | 1892112000 |
Verknüpfungen: | → Zeitschrift |
Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets / Gresser, Eva Kristina [VerfasserIn]; November 01, 2022 (Online-Ressource)