Deep Learning-basierte Aszitesquantifikation in der CT-Bildgebung bei Hepatozellulärem Karzinom – Machbarkeit und erste Anwendungen
| dc.contributor.advisor | Hahn, Felix | |
| dc.contributor.author | Bender, Daniel | |
| dc.date.accessioned | 2026-03-12T13:43:37Z | |
| dc.date.issued | 2025 | |
| dc.identifier.doi | https://doi.org/10.25358/openscience-14544 | |
| dc.identifier.uri | https://openscience.ub.uni-mainz.de/handle/20.500.12030/14565 | |
| dc.identifier.urn | urn:nbn:de:hebis:77-4ab52ffb-c320-4697-92cb-b71340756d3a7 | |
| dc.language.iso | ger | |
| dc.rights | CC-BY-4.0 | |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject.ddc | 610 Medizin | de |
| dc.subject.ddc | 610 Medical sciences | en |
| dc.title | Deep Learning-basierte Aszitesquantifikation in der CT-Bildgebung bei Hepatozellulärem Karzinom – Machbarkeit und erste Anwendungen | de |
| dc.type | Dissertation | |
| jgu.date.accepted | 2026-02-26 | |
| jgu.description.extent | V, 66 Seiten ; Diagramme | |
| jgu.identifier.uuid | 4ab52ffb-c320-4697-92cb-b71340756d3a | |
| jgu.organisation.department | FB 04 Medizin | |
| jgu.organisation.name | Johannes Gutenberg-Universität Mainz | |
| jgu.organisation.number | 2700 | |
| jgu.organisation.place | Mainz | |
| jgu.organisation.ror | https://ror.org/023b0x485 | |
| jgu.organisation.year | 2025 | |
| jgu.rights.accessrights | openAccess | |
| jgu.subject.ddccode | 610 | |
| jgu.type.dinitype | PhDThesis | en_GB |
| jgu.type.resource | Text | |
| jgu.type.version | Original work |