Deep convolutional neural networks to predict cardiovascular risk from computed tomography

Szczegóły
Opis

Tytuł:: Deep convolutional neural networks to predict cardiovascular risk from computed tomography
Autorzy:: Roman Zeleznik
Borek Foldyna
Parastou Eslami
Jakob Weiss
Ivanov Alexander
Jana Taron
Chintan Parmar
Raza M. Alvi
Dahlia Banerji
Mio Uno
Yasuka Kikuchi
Julia Karady
Lili Zhang
Jan-Erik Scholtz
Thomas Mayrhofer
Asya Lyass
Taylor F. Mahoney
Joseph M. Massaro
Ramachandran S. Vasan
Pamela S. Douglas
Udo Hoffmann
Michael T. Lu
Hugo J. W. L. Aerts
Temat:: Science
Źródło:: Nature Communications, Vol 12, Iss 1, Pp 1-9 (2021)
Wydawca:: Nature Portfolio, 2021.
Rok publikacji:: 2021
Kolekcja:: LCC:Science
Typ dokumentu:: article
Opis pliku:: electronic resource
Język:: English
ISSN:: 2041-1723
Relacje:: https://doaj.org/toc/2041-1723
DOI:: 10.1038/s41467-021-20966-2
Dostęp URL:: https://doaj.org/article/81f5a66b63fb4263b0d804c5ab0e5cbe Link otwiera się w nowym oknie
Numer akcesji:: edsdoj.81f5a66b63fb4263b0d804c5ab0e5cbe
: Czasopismo naukowe

Full Text Finder

Coronary artery calcium is an accurate predictor of cardiovascular events but this information is not routinely quantified. Here the authors show a robust and time-efficient deep learning system to automatically quantify coronary calcium on CT scans and predict cardiovascular events in a large, multicentre study.

Informacja