Navigation überspringen
Universitätsbibliothek Heidelberg
Status: Bibliographieeintrag

Verfügbarkeit
Standort: ---
Exemplare: ---
heiBIB
 Online-Ressource
Verfasst von:Schrader, Adrian [VerfasserIn]   i
 Netzer, Nils [VerfasserIn]   i
 Hielscher, Thomas [VerfasserIn]   i
 Görtz, Magdalena [VerfasserIn]   i
 Zhang, Kevin Sun [VerfasserIn]   i
 Schütz, Viktoria [VerfasserIn]   i
 Stenzinger, Albrecht [VerfasserIn]   i
 Hohenfellner, Markus [VerfasserIn]   i
 Schlemmer, Heinz-Peter [VerfasserIn]   i
 Bonekamp, David [VerfasserIn]   i
Titel:Prostate cancer risk assessment and avoidance of prostate biopsies using fully automatic deep learning in prostate MRI
Titelzusatz:comparison to PI-RADS and integration with clinical data in nomograms
Verf.angabe:Adrian Schrader, Nils Netzer, Thomas Hielscher, Magdalena Görtz, Kevin Sun Zhang, Viktoria Schütz, Albrecht Stenzinger, Markus Hohenfellner, Heinz-Peter Schlemmer and David Bonekamp
E-Jahr:2024
Jahr:02 July 2024
Umfang:12 S.
Illustrationen:Illustrationen
Fussnoten:Gesehen am 16.12.2024
Titel Quelle:Enthalten in: European radiology
Ort Quelle:Berlin : Springer, 1991
Jahr Quelle:2024
Band/Heft Quelle:34(2024), 12, Seite 7909-7920
ISSN Quelle:1432-1084
 1613-3757
Abstract:Risk calculators (RCs) improve patient selection for prostate biopsy with clinical/demographic information, recently with prostate MRI using the prostate imaging reporting and data system (PI-RADS). Fully-automated deep learning (DL) analyzes MRI data independently, and has been shown to be on par with clinical radiologists, but has yet to be incorporated into RCs. The goal of this study is to re-assess the diagnostic quality of RCs, the impact of replacing PI-RADS with DL predictions, and potential performance gains by adding DL besides PI-RADS.
DOI:doi:10.1007/s00330-024-10818-0
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.

kostenfrei: Volltext: https://doi.org/10.1007/s00330-024-10818-0
 DOI: https://doi.org/10.1007/s00330-024-10818-0
Datenträger:Online-Ressource
Sprache:eng
Sach-SW:Deep learning
 Nomograms
 Prostatic neoplasms, Multiparametric magnetic resonance imaging
 Risk assessment
K10plus-PPN:1912351862
Verknüpfungen:→ Zeitschrift

Permanenter Link auf diesen Titel (bookmarkfähig):  https://katalog.ub.uni-heidelberg.de/titel/69283978   QR-Code
zum Seitenanfang