Cristin-resultat-ID: 1913815
Sist endret: 24. mars 2022, 17:05
NVI-rapporteringsår: 2021
Resultat
Vitenskapelig artikkel
2021

Anam-Net: Anamorphic Depth Embedding-Based Lightweight CNN for Segmentation of Anomalies in COVID-19 Chest CT Images

Bidragsytere:
  • Naveen Paluru
  • Aveen Dayal
  • Håvard Jenssen
  • Tomas Sakinis
  • Linga Reddy Cenkeramaddi
  • Prakash Jaya
  • mfl.

Tidsskrift

IEEE Transactions on Neural Networks and Learning Systems
ISSN 2162-237X
e-ISSN 2162-2388
NVI-nivå 2
Finn i kanalregisteret

Om resultatet

Vitenskapelig artikkel
Publiseringsår: 2021
Volum: 32
Hefte: 3
Sider: 932 - 946
Open Access

Lenker

original online (doi)

Importkilder

Scopus-ID: 2-s2.0-85100853793

Beskrivelse Beskrivelse

Tittel

Anam-Net: Anamorphic Depth Embedding-Based Lightweight CNN for Segmentation of Anomalies in COVID-19 Chest CT Images

Bidragsytere

Naveen Paluru

  • Tilknyttet:
    Forfatter
    ved Indian Institute of Science

Aveen Dayal

  • Tilknyttet:
    Forfatter
    ved Institutt for informasjons- og kommunikasjonsteknologi ved Universitetet i Agder

Håvard Jenssen

  • Tilknyttet:
    Forfatter
    ved Avdeling for radiologi og nukleærmedisin ved Oslo universitetssykehus HF

Tomas Sakinis

  • Tilknyttet:
    Forfatter
    ved Avdeling for radiologi og nukleærmedisin ved Oslo universitetssykehus HF

Linga Reddy Cenkeramaddi

  • Tilknyttet:
    Forfatter
    ved Institutt for informasjons- og kommunikasjonsteknologi ved Universitetet i Agder
1 - 5 av 7 | Neste | Siste »