QQ客服 官方微博 反馈留言

浏览/检索结果: 共5条，第1-5条 帮助 限定条件 发表日期：2019    专题：复旦大学上海医学院    第一署名单位    第一作者单位    通讯作者单位     已选(0)清除 条数/页：5101520253035404550556065707580859095100   排序方式：请选择作者升序作者降序题名升序题名降序发表日期升序发表日期降序提交时间升序提交时间降序 EVALUATION OF BRAIN TUMOR IN SMALL ANIMALS USING PLANE WAVE-BASED POWER DOPPLER IMAGING 期刊论文 ULTRASOUND IN MEDICINE AND BIOLOGY, 2019, 卷号: 45, 期号: 3 作者:  Xia, Jingjing;  Yang, Yi;  Hu, Chenwenbao;  Meng, Rui;  Jiang, Qiuju 收藏  |  浏览/下载：24/0  |  提交时间：2019/12/05 Glioma  Plane wave ultrasound  Power Doppler imaging  Flow measurement  In vivo imaging   A Universal Intensity Standardization Method Based on a Many-to-One Weak-Paired Cycle Generative Adversarial Network for Magnetic Resonance Images 期刊论文 IEEE TRANSACTIONS ON MEDICAL IMAGING, 2019, 卷号: 38, 期号: 9 作者:  Gao, Yuan;  Liu, Yingchao;  Wang, Yuanyuan;  Shi, Zhifeng;  Yu, Jinhua 收藏  |  浏览/下载：25/0  |  提交时间：2019/12/05 Cycle generative adversarial network  intensity standardization  magnetic resonance imaging  many-to-one  weak-pair strategy   Silk-Enabled Conformal Multifunctional Bioelectronics for Investigation of Spatiotemporal Epileptiform Activities and Multimodal Neural Encoding/Decoding 期刊论文 ADVANCED SCIENCE, 2019, 卷号: 6, 期号: 9 作者:  Shi, Zhifeng;  Zheng, Faming;  Zhou, Zhitao;  Li, Meng;  Fan, Zhen 收藏  |  浏览/下载：37/0  |  提交时间：2019/12/05 brain-machine interfaces  conformal transient bioelectronics  electrocorticogram  neural decoding  silk   A sparse representation-based radiomics for outcome prediction of higher grade gliomas 期刊论文 MEDICAL PHYSICS, 2019, 卷号: 46, 期号: 1 作者:  Wu, Guoqing;  Shi, Zhifeng;  Chen, Yinsheng;  Wang, Yuanyuan;  Yu, Jinhua 收藏  |  浏览/下载：38/0  |  提交时间：2019/12/05 higher grade gliomas  outcome prediction  SIFT feature  sparse representation   Noninvasive molecular diagnosis of craniopharyngioma with MRI-based radiomics approach 期刊论文 BMC NEUROLOGY, 2019, 卷号: 19 作者:  Chen, Xi;  Tong, Yusheng;  Shi, Zhifeng;  Chen, Hong;  Yang, Zhong 收藏  |  浏览/下载：22/0  |  提交时间：2019/12/05 Craniopharyngioma  Molecular diagnosis  Radiomics approach  Non-invasiveness  Machine learning