Login
Registrati
Reimposta password
Pubblica & Distribuisci
Soluzioni Editoriali
Soluzioni di Distribuzione
Temi
Architettura e design
Arti
Business e Economia
Chimica
Chimica industriale
Farmacia
Filosofia
Fisica
Geoscienze
Ingegneria
Interesse generale
Legge
Letteratura
Linguistica e semiotica
Matematica
Medicina
Musica
Scienze bibliotecarie e dell'informazione, studi library
Scienze dei materiali
Scienze della vita
Scienze informatiche
Scienze sociali
Sport e tempo libero
Storia
Studi classici e del Vicino Oriente antico
Studi culturali
Studi ebraici
Teologia e religione
Pubblicazioni
Riviste
Libri
Atti
Editori
Blog
Contatti
Cerca
EUR
USD
GBP
Italiano
English
Deutsch
Polski
Español
Français
Italiano
Carrello
Home
Riviste
Journal of Ultrasonography
Volume 22 (2022): Numero 91 (October 2022)
Accesso libero
A deep learning approach for masseter muscle segmentation on ultrasonography
Gaye Keser
Gaye Keser
,
Ibrahim Sevki Bayrakdar
Ibrahim Sevki Bayrakdar
,
Filiz Namdar Pekiner
Filiz Namdar Pekiner
,
Özer Çelik
Özer Çelik
e
Kaan Orhan
Kaan Orhan
| 01 ott 2022
Journal of Ultrasonography
Volume 22 (2022): Numero 91 (October 2022)
INFORMAZIONI SU QUESTO ARTICOLO
Articolo precedente
Articolo Successivo
Sommario
Articolo
Immagini e tabelle
Bibliografia
Autori
Articoli in questo Numero
Anteprima
PDF
Cita
CONDIVIDI
Article Category:
case-report
Pubblicato online:
01 ott 2022
Pagine:
e204 - e208
Ricevuto:
05 mar 2022
Accettato:
08 giu 2022
DOI:
https://doi.org/10.15557/jou.2022.0034
Parole chiave
ultrasonography
,
masseter muscle
,
deep learning
,
artificial intelligence
© 2022 Gaye Keser et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Fig. 1.
AI Model (CranioCatch, Eskisehir-Turkey) Pipeline for Masseter Muscle Segmentation in USG Images
Fig. 2.
The images show the Masseter Muscle Measurements performed using AI Models (CranioCatch, Eskisehir- Turkey)
Evaluation for diagnostic performance by AI model set for masseter muscle segmentation
U-Net Model
F1
1.0
Sensitivity
1.0
Precision
1.0