TY -的A2 Pelusi达尼洛非盟- Manimegalai, p . AU -苏雷什·库马尔,r . AU - Valsalan Prajoona盟——Dhanagopal r . AU - Vasanth Raj, p . t . AU - Christhudass,杰罗姆PY - 2022 DA - 2022/07/16 TI - 3 d卷积神经网络框架与深度学习核医学SP - 9640177六世- 2022 AB -尽管人工智能(AI)被用于核医学50多年,取得了更多的进展深度学习(DL)和机器学习(ML),驱动新人工智能的开发能力。人工神经网络用于在核医学深度学习和机器学习。另外,如果3 d卷积神经网络(CNN),输入可能被分析的实际图片,而不是一组输入。在核医学、人工智能的比喻和重新设计领域的治疗和科学能力。理解3 d CNN的概念和上下文中的U-Net核医学与临床和研究应用程序提供了一个更深层次的接触,以及解决问题的能力,当他们出现。业务分析、风险评估、质量保证和基本分类都是简单的ML应用程序的例子。一般核医学、SPECT、PET、MRI和CT可能受益于更高级的DL申请分类、检测、定位、分割、量化,利用3 d cnn radiomic特征提取。一个安可以用来分析小数据集的同时,传统的统计方法,以及更大的数据集。核医学临床和研究实践很大程度上是影响人工智能(AI)的介绍。临床和研究景观已经被3 d的出现从根本上改变了CNN和U-Net应用程序。 Nuclear medicine professionals must now have at least an elementary understanding of AI principles such as neural networks (ANNs) and convolutional neural networks (CNNs). SN - 0161-0457 UR - https://doi.org/10.1155/2022/9640177 DO - 10.1155/2022/9640177 JF - Scanning PB - Hindawi KW - ER -