Mejorando la generalizabilidad de los algoritmos de DL PET: las reconstrucciones de modo lista mejoran el rendimiento de detección de lesiones hepáticas PET de DOTATATE
Autores: Yang, Xinyi; Silosky, Michael; Wehrend, Jonathan; Litwiller, Daniel V.; Nachiappan, Muthiah; Metzler, Scott D.; Ghosh, Debashis; Xing, Fuyong; Chin, Bennett B.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorando la generalizabilidad de los algoritmos de DL PET: las reconstrucciones de modo lista mejoran el rendimiento de detección de lesiones hepáticas PET de DOTATATE
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Aprendizaje profundo
Detección de lesiones PET
Conjuntos de datos de entrenamiento
Tumores neuroendocrinos gastroenteropancreáticos
Rendimiento del algoritmo de DL
Nivel de ruido
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
Los algoritmos de aprendizaje profundo (DL) utilizados para la detección de lesiones PET de DOTATATE típicamente requieren conjuntos de datos de entrenamiento grandes y bien anotados.
Descripción
Los algoritmos de aprendizaje profundo (DL) utilizados para la detección de lesiones PET de DOTATATE típicamente requieren conjuntos de datos de entrenamiento grandes y bien anotados.