Advancing cancer diagnostics with deep learning

2018 ◽  
Author(s):  
Martin C. Stumpe
Keyword(s):  
Deep Learning ◽  
Cancer Diagnostics

How to evaluate deep learning for cancer diagnostics – factors and recommendations

2021 ◽  
Vol 1875 (2) ◽  
pp. 188515
Author(s):  
Roxana Daneshjou ◽  
Bryan He ◽  
David Ouyang ◽  
James Y Zou
Keyword(s):  
Deep Learning ◽  
Cancer Diagnostics

Designing deep learning studies in cancer diagnostics

2021 ◽  
Author(s):  
Andreas Kleppe ◽  
Ole-Johan Skrede ◽  
Sepp De Raedt ◽  
Knut Liestøl ◽  
David J. Kerr ◽  
...  
Keyword(s):  
Deep Learning ◽  
Cancer Diagnostics

1800: Ultrasonic Multifeature Tissue Characterization for Prostate Cancer Diagnostics

2004 ◽  
Vol 171 (4S) ◽  
pp. 476-476 ◽  
Author(s):  
Katharina König ◽  
Jürgen Pannek ◽  
Ulrich Scheipers ◽  
Helmut Ermert ◽  
Statis Phillippou ◽  
...  
Keyword(s):  
Prostate Cancer ◽  
Tissue Characterization ◽  
Cancer Diagnostics

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Primäre ZNS-Lymphome: Vollautomatisierte Detektion und Segmentierung auf multiparametrischen MRT-Datensätzen mittels Deep-Learning

2020 ◽  
Author(s):  
L Pennig ◽  
L Lourenco Caldeira ◽  
C Hoyer ◽  
L Görtz ◽  
R Shahzad ◽  
...  
Keyword(s):  
Deep Learning
Sign in / Sign up

Export Citation Format

Share Document