Improving the repeatability of deep learning models with Monte Carlo dropout

Andreanne Lemay, Katharina Hoebel, Christopher P. Bridge, Brian Befano, Silvia De Sanjose, Didem Egemen, Ana Cecilia Rodriguez, Mark Schiffman, John Peter Campbell et Jayashree Kalpathy-Cramer

Article de revue (2022)

Un lien externe est disponible pour ce document

Département:	Département de génie électrique
Centre de recherche:	NeuroPoly - Laboratoire de Recherche en Neuroimagerie
URL de PolyPublie:	https://publications.polymtl.ca/52131/
Titre de la revue:	npj Digital Medicine (vol. 5, no 1)
Maison d'édition:	Nature Research
DOI:	10.1038/s41746-022-00709-3
URL officielle:	https://doi.org/10.1038/s41746-022-00709-3
Date du dépôt:	18 avr. 2023 14:58
Dernière modification:	05 avr. 2024 11:56

Citer en APA 7:	Lemay, A., Hoebel, K., Bridge, C. P., Befano, B., De Sanjose, S., Egemen, D., Rodriguez, A. C., Schiffman, M., Campbell, J. P., & Kalpathy-Cramer, J. (2022). Improving the repeatability of deep learning models with Monte Carlo dropout. npj Digital Medicine, 5(1), 11 pages. https://doi.org/10.1038/s41746-022-00709-3
APA 7 (HTML)ASCII CitationAtomBibTeXDOIsDublin CoreEndNote (.ENW)MARC (ISO 2709/UTF-8) (.MRC)MARC (UTF-8) (.MRK8)MARC XMLMPEG-21 DIDLMultiline CSVOAI-ORE Resource Map (Atom Format)OPENAIREOpenURL ContextObjectOpenURL ContextObject in SpanRDF+N-TriplesRDF+N3RDF+XMLReferReference Manager (.RIS)Répertoire des publications (EndNote)Simple Metadata

Statistiques

Actions réservées au personnel