Deep Learning for Fully Automated Radiographic Measurements of the Pelvis and Hip

The morphometry of the hip and pelvis can be evaluated in native radiographs. Artificial-intelligence-assisted analyses provide objective, accurate, and reproducible results. This study investigates the performance of an artificial intelligence (AI)-based software using deep learning algorithms to m...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής

Κύριοι συγγραφείς:	Christoph Stotter, Thomas Klestil, Christoph Röder, Philippe Reuter, Kenneth Chen, Robert Emprechtinger, Allan Hummer, Christoph Salzlechner, Matthew DiFranco, Stefan Nehrer
Μορφή:	Artigo
Γλώσσα:	Inglês
Έκδοση:	MDPI AG 2023-01-01
Σειρά:	Diagnostics
Θέματα:	femoroacetabular impingement hip dysplasia X-ray radiographs artificial intelligence machine learning
Διαθέσιμο Online:	https://www.mdpi.com/2075-4418/13/3/497
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!