中文版 | English

在结果中检索

CASIA OpenIR

浏览/检索结果: 共5条，第1-5条 帮助

限定条件                    
已选(0)清除 条数/页：   排序方式：
Prognostic Value of Deep Learning PET/CT-Based Radiomics: Potential Role for Future Individual Induction Chemotherapy in Advanced Nasopharyngeal Carcinoma 期刊论文
CLINICAL CANCER RESEARCH, 2019, 卷号: 25, 期号: 14, 页码: 4271-4279
作者:  Peng, Hao;  Dong, Di;  Fang, Meng-Jie;  Li, Lu;  Tang, Ling-Long;  Chen, Lei;  Li, Wen-Fei;  Mao, Yan-Ping;  Fan, Wei;  Liu, Li-Zhi;  Tian, Li;  Lin, Ai-Hua;  Sun, Ying;  Tian, Jie;  Ma, Jun
浏览  |  Adobe PDF(1141Kb)  |  收藏  |  浏览/下载：362/56  |  提交时间：2019/12/16
Advanced Nasopharyngeal Carcinoma  
A deep learning radiomics model for preoperative grading in meningioma 期刊论文
EUROPEAN JOURNAL OF RADIOLOGY, 2019, 卷号: 116, 页码: 128-134
作者:  Zhu, Yongbei;  Man, Chuntao;  Gong, Lixin;  Dong, Di;  Yu, Xinyi;  Wang, Shuo;  Fang, Mengjie;  Wang, Siwen;  Fang, Xiangming;  Chen, Xuzhu;  Tian, Jie
Adobe PDF(1336Kb)  |  收藏  |  浏览/下载：397/31  |  提交时间：2019/07/11
Radiomics  Deep learning  Meningioma  Tumor grading  Magnetic resonance imaging  
Reconstruction of Fluorescence Molecular Tomography via a Fused LASSO Method Based on Group Sparsity Prior 期刊论文
IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, 2019, 卷号: 66, 期号: 5, 页码: 1361-1371
作者:  Jiang, Shixin;  Liu, Jie;  Zhang, Guanglei;  An, Yu;  Meng, Hui;  Gao, Yuan;  Wang, Kun;  Tian, Jie
浏览  |  Adobe PDF(5641Kb)  |  收藏  |  浏览/下载：526/123  |  提交时间：2019/07/11
Fluorescence molecular tomography  image reconstruction  fused LASSO method  group sparsity  
无肿瘤区域引导的生物自发荧光断层成像重建算法研究 学位论文
, 北京: 中国科学院大学, 2019
作者:  高源
Adobe PDF(7003Kb)  |  收藏  |  浏览/下载：273/7  |  提交时间：2019/06/11
光学分子影像  生物自发荧光断层成像  高斯权重拉普拉斯正则先验  双边权重拉普拉斯正则先验  多层感知机重建模型  
Fast and Robust Reconstruction Method for Fluorescence Molecular Tomography based on Deep Neural Network 会议论文
, The Moscone Center, San Francisco, California, USA, 2019-02-02
作者:  Huang C(黄超);  Meng Hui;  Yuan Gao;  Shixin Jiang;  Kun Wang;  Jie Tian
浏览  |  Adobe PDF(587Kb)  |  收藏  |  浏览/下载：364/147  |  提交时间：2019/04/29
Fluorescence Molecular Tomography, Ill-poseness, Deep Convolution Neural Network, Reconstruction.