Federated Deep Learning to More Reliably Detect Body Part for Hanging Protocols, Relevant Priors, and Workflow Optimization.

Filice, Ross W; Stein, Anouk; Pan, Ian; Shih, George

Filice, Ross W; Stein, Anouk; Pan, Ian; Shih, George.

Afiliação

Filice RW; Department of Radiology, MedStar Georgetown University Hospital, 3800 Reservoir Road, NW CG201, Washington DC, 20007, USA. ross.w.filice@gunet.georgetown.edu.
Stein A; Department of Medical Imaging, University of Toronto, 151 College St, Toronto, ON, M5S 3E2, Canada.
Pan I; Department of Radiology, Brigham and Women's Hospital, Harvard Medical School, 75 Francis St, Boston, MA, 02115, USA.
Shih G; Department of Radiology, Weill Cornell Medicine, 525 E. 68th St, New York, NY, 10065, USA.

J Digit Imaging ; 35(2): 335-339, 2022 04.

Article em En | MEDLINE | ID: mdl-35018541

Assuntos

Inteligência Artificial; Aprendizado Profundo; Corpo Humano; Humanos; Radiografia; Fluxo de Trabalho

Palavras-chave

Body part; Convolutional neural network; DICOM; Deep learning; Federated learning; Hanging protocols; Prefetching

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google

Texto completo: 1 Coleções: 01-internacional Base de dados: MEDLINE Assunto principal: Inteligência Artificial / Aprendizado Profundo Tipo de estudo: Diagnostic_studies / Prognostic_studies Limite: Humans Idioma: En Revista: J Digit Imaging Assunto da revista: DIAGNOSTICO POR IMAGEM / INFORMATICA MEDICA / RADIOLOGIA Ano de publicação: 2022 Tipo de documento: Article País de afiliação: Estados Unidos

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google