Improving the repeatability of deep learning models with Monte Carlo dropout

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

Article de revue (2022)

Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Voir chez l'éditeur officiel
Département:
Département de génie électrique
Unité de recherche:
NeuroPoly - Laboratoire de Recherche en Neuroimagerie
Adresse 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
OAI:
oai:publications.polymtl.ca:52131
ORCID
Date du dépôt:
18 avr. 2023 14:58
Dernière modification:
14 oct. 2026 14:09
Citer en APA 7:
Lemay, A., Hoebel, K., Bridge, C. P., Befano, B., De Sanjose, S., Egemen, D., Rodríguez, 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

Statistiques

Dimensions

Actions réservées au personnel

Afficher document
Afficher document