 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Montagnon, E., Cerny, M., Hamilton, V., Derennes, T., Ilinca, A., Elforaici, M. E. A., Jabbour, G., Rafie, E., Wu, A., Perdigon Romero, F., Cadrin-Chênevert, A., Kadoury, S., Turcotte, S., & Tang, A. (2024). Radiomics analysis of baseline computed tomography to predict oncological outcomes in patients treated for resectable colorectal cancer liver metastasis. PLOS ONE, 19(9), 0307815 (17 pages). Lien externe
Montagnon, E., Cerny, M., Cadrin-Chênevert, A., Hamilton, V., Derennes, T., Ilinca, A., Vandenbroucke-Menu, F., Turcotte, S., Kadoury, S., & Tang, A. (2020). Deep learning workflow in radiology: a primer. Insights into Imaging, 11(22), 15 pages. Lien externe
Mansour, R., Thibodeau Antonacci, A., Bilodeau, L., Vazquez Romaguera, L., Cerny, M., Huët, C., Gilbert, G., Tang, A., & Kadoury, S. (2020). Impact of temporal resolution and motion correction for dynamic contrast-enhanced MRI of the liver using an accelerated golden-angle radial sequence. Physics in Medicine and Biology, 65(8), 16 pages. Lien externe
Maaref, A., Romero, F. P., Montagnon, E., Cerny, M., Nguyen, B., Vandenbroucke, F., Soucy, G., Turcotte, S., Tang, A., & Kadoury, S. (2020). Predicting the Response to FOLFOX-Based Chemotherapy Regimen from Untreated Liver Metastases on Baseline CT: a Deep Neural Network Approach. Journal of Digital Imaging, 33(4), 937-945. Lien externe
Vorontsov, E., Cerny, M., Régnier, P., Di Jorio, L., Pal, C. J., Lapointe, R., Vandenbroucke-Menu, F., Turcotte, S., Kadoury, S., & Tang, A. (2019). Deep learning for automated segmentation of liver lesions at cCT in patients with colorectal cancer liver metastases. Radiology: Artificial Intelligence, 1(2), 180014. Lien externe
Thibodeau-Antonacci, A., Petitclerc, L., Gilbert, G., Bilodeau, L., Olivie, D., Cerny, M., Castel, H., Turcotte, S., Huet, C., Perreault, P., Soulez, G., Chagnon, M., Kadoury, S., & Tang, A. (2019). Dynamic contrast-enhanced MRI to assess hepatocellular carcinoma response to Transarterial chemoembolization using LI-RADS criteria: A pilot study. Magnetic Resonance Imaging, 62, 78-86. Lien externe
