Kullanım Kılavuzu
Neden sadece 3 sonuç görüntüleyebiliyorum?
Sadece üye olan kurumların ağından bağlandığınız da tüm sonuçları görüntüleyebilirsiniz. Üye olmayan kurumlar için kurum yetkililerinin başvurması durumunda 1 aylık ücretsiz deneme sürümü açmaktayız.
Benim olmayan çok sonuç geliyor?
Birçok kaynakça da atıflar "Soyad, İ" olarak gösterildiği için özellikle Soyad ve isminin baş harfi aynı olan akademisyenlerin atıfları zaman zaman karışabilmektedir. Bu sorun tüm dünyadaki atıf dizinlerinin sıkça karşılaştığı bir sorundur.
Sadece ilgili makaleme yapılan atıfları nasıl görebilirim?
Makalenizin ismini arattıktan sonra detaylar kısmına bastığınız anda seçtiğiniz makaleye yapılan atıfları görebilirsiniz.
 ASOS INDEKS
  Atıf Sayısı 5
 Görüntüleme 4
A Novel Deep Learning Algorithm for the Automatic Detection of High-Grade Gliomas on T2-Weighted Magnetic Resonance Images: A Preliminary Machine Learning Study
2020
Dergi:  
Turkish Neurosurgery
Yazar:  
Özet:

AIM: To propose a convolutional neural network (CNN) for the automatic detection of high-grade gliomas (HGGs) on T2-weighted magnetic resonance imaging (MRI) scans. MATERIAL and METHODS: A total of 3580 images obtained from 179 individuals were used for training and validation. After random rotation and vertical flip, training data was augmented by factor of 10 in each iteration. In order to increase data processing time, every single image converted into a Jpeg image which has a resolution of 320x320. Accuracy, precision and recall rates were calculated after training of the algorithm. RESULTS: Following training, CNN achieved acceptable performance ratios of 0.854 to 0.944 for accuracy, 0.812 to 0.980 for precision and 0.738 to 0.907 for recall. Also, CNN was able to detect HGG cases even though there is no apparent mass lesion in the given image. CONCLUSION: Our preliminary findings demonstrate; currently proposed CNN model achieves acceptable performance results for the automatic detection of HGGs on T2-weighted images.

Anahtar Kelimeler:

Atıf Yapanlar
Dikkat!
Yayınların atıflarını görmek için Sobiad'a Üye Bir Üniversite Ağından erişim sağlamalısınız. Kurumuzun Sobiad'a üye olması için Kütüphane ve Dokümantasyon Daire Başkanlığı ile iletişim kurabilirsiniz.
Kampüs Dışı Erişim
Eğer Sobiad Abonesi bir kuruma bağlıysanız kurum dışı erişim için Giriş Yap Panelini kullanabilirsiniz. Kurumsal E-Mail adresiniz ile kolayca üye olup giriş yapabilirsiniz.
Benzer Makaleler










Turkish Neurosurgery

Alan :   Sağlık Bilimleri

Dergi Türü :   Uluslararası

Metrikler
Makale : 402
Atıf : 44
2023 Impact/Etki : 0.037
Turkish Neurosurgery