2026 conference-paper

DuCTSNet: MA‑SAM based fully automated DCIS segmentation and radiomic phenotyping for patient risk stratification in the ECOG‑ACRIN E4112 trial

Aaron Sossin, Kalina P. Slavkova, Somit Jain, Arunima Sharma, Ruya Kang, Sarah Voter, Debosmita Biswas, Eric M. Cohen, Anum S. Kazerouni, Walter C. Mankowski, Savannah Partridge, Joseph A. Sparano, Seema Ahsan Khan, Christopher E. Comstock, Constantine A. Gatsonis, Constance Dobbins Lehman, Justin Romanoff, Antonio Wolff, Jon Steingrimsson, Habib Rahbar, Despina Kontos

0Citations signalées, ce qui n’est pas une note de qualité

0Institutions déclarées

0Pays d’affiliation déclarés

Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref: DuCTSNet: MA‑SAM based fully automated DCIS segmentation and radiomic phenotyping for patient risk stratification in the ECOG‑ACRIN E4112 trial
Date Crossref: 02/04/2026
Éditeur: SPIE
Type: proceedings-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Les sujets associés

Radiomics and Machine Learning in Medical ImagingFerroptosis and cancer prognosisArtificial Intelligence in Healthcare and Education

Consulter la publication primaire Ouvrir le DOI