Martin Lillholm
Professor
Machine Learning
Universitetsparken 1
2100 København Ø
ORCID: 0000-0002-1402-6899
- Udgivet
Assessing Breast Cancer Risk by Combining AI for Lesion Detection and Mammographic Texture
Lauritzen, Andreas, von Euler-Chelpin, My Catarina, Lynge, Elsebeth, Vejborg, I., Nielsen, Mads, Karssemeijer, N. & Lillholm, Martin, 2023, I: Radiology. 308, 2, 8 s., e230227.Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt
- Udgivet
Breast density and risk of breast cancer
Lynge, Elsebeth, Vejborg, I., Lillholm, Martin, Nielsen, Mads, Napolitano, George & von Euler-Chelpin, My Catarina, 2023, I: International Journal of Cancer. 152, 6, s. 1150-1158 9 s.Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt
- Udgivet
Identifying recurrent breast cancer patients in national health registries using machine learning
Lauritzen, Andreas, Berg, T., Jensen, M., Lillholm, Martin & Knoop, A., 2023, I: Acta Oncologica. 62, 4, s. 350–357Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt
- Udgivet
Robust cross-vendor mammographic texture models using augmentation-based domain adaptation for long-term breast cancer risk
Lauritzen, Andreas, von Euler-Chelpin, My Catarina, Lynge, Elsebeth, Vejborg, I., Nielsen, Mads, Karssemeijer, N. & Lillholm, Martin, 2023, I: Journal of Medical Imaging. 10, 5, s. 1-16 054003.Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt
ID: 152298477
Flest downloads
-
1637
downloads
Mammographic texture resemblance generalizes as an independent risk factor for breast cancer
Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt
Udgivet -
640
downloads
Mammographic density and structural features can individually and jointly contribute to breast cancer risk assessment in mammography screening: a case-control study
Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt
Udgivet -
353
downloads
Automatic segmentation of high-and low-field knee MRIs using knee image quantification with data from the osteoarthritis initiative
Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt
Udgivet