Czipczer Vanda; Kolozsvári Bernadett; Deák-Karancsi Borbála; Capala E. Marta; Pearson Rachel A.; Borzási Emőke; Együd Zsófia; Gaál Szilvia; Kelemen Gyöngyi; Kószó Renáta Lilla; Paczona Viktor Róbert; Végváry Zoltán; Karancsi Zsófia; Kékesi Ádám; Czunyi Edina; Irmai H. Blanka; Keresnyei G. Nóra; Nagypál Petra; Czabány Renáta; Gyalai Bence; Tass P. Bulcsú; Cziria Balázs; Cozzini Cristina; Estkowsky Lloyd; Ferenczi Lehel; Frontó András; Maxwell Ross; Megyeri István; Mian Michael; Tan Tao; Hideghéty Katalin; Ruskó László; et al.:
Comprehensive deep learning-based framework for automatic organs-at-risk segmentation in head-and-neck and pelvis for MR-guided radiation therapy planning.
FRONTIERS IN PHYSICS, 11.
ISSN 2296-424X
(2023)
Szöveg
fphy-11-1236792.pdf - Megjelent verzió Download (2MB) |
Mű típusa: | Folyóiratcikk |
---|---|
Szerzők száma: | 36 |
Folyóirat/kiadvány címe: | FRONTIERS IN PHYSICS |
Publikáció dátuma: | 2023 |
Kötet: | 11 |
Terjedelem: | 17 |
Közlemény azonosító: | 1236792 |
ISSN: | 2296-424X |
Kar/Egység: | Szent-Györgyi Albert Orvostudományi Kar |
Intézmény: | Szegedi Tudományegyetem |
Nyelv: | angol |
MTMT rekordazonosító: | 34145498 |
DOI azonosító: | https://doi.org/10.3389/fphy.2023.1236792 |
Dátum: | 2024. Jan. 19. 10:29 |
Utolsó módosítás: | 2024. Jan. 19. 21:41 |
URI: | http://publicatio.bibl.u-szeged.hu/id/eprint/29344 |
Actions (login required)
Tétel nézet |