TY  - JOUR 
AU  - Aja Fernández, Santiago
AU  - Martín Martín, Carmen
AU  - Planchuelo Gómez, Álvaro
AU  - Faiyaz, Abrar
AU  - Uddin, Md Nasir
AU  - Schifitto, Giovanni
AU  - Tiwari, Abhishek
AU  - Shigwan, Saurabh J.
AU  - Kumar Singh, Rajeev
AU  - Zheng, Tianshu
AU  - Cao, Zuozhen
AU  - Wu, Dan
AU  - Blumberg, Stefano B.
AU  - Sen, Snigdha
AU  - Goodwin-Allcock, Tobias
AU  - Slator, Paddy J.
AU  - Yigit Avci, Mehmet
AU  - Li, Zihan
AU  - Bilgic, Berkin
AU  - Tian, Qiyuan
AU  - Wang, Xinyi
AU  - Tang, Zihao
AU  - Cabezas, Mariano
AU  - Rauland, Amelie
AU  - Merhof, Dorit
AU  - Manzano María, Renata
AU  - Campos, Vinícius Paraníba
AU  - Santini, Tales
AU  - da Costa Vieira, Marcelo Andrade
AU  - HashemizadehKolowri, SeyyedKazem
AU  - DiBella, Edward
AU  - Peng, Chenxu
AU  - Shen, Zhimin
AU  - Chen, Zan
AU  - Ullah, Irfan
AU  - Mani, Merry
AU  - Abdolmotallby, Hesam
AU  - Eckstrom, Samuel
AU  - Baete, Steven H.
AU  - Filipiak, Patryk
AU  - Dong, Tanxin
AU  - Fan, Qiuyun
AU  - Luis García, Rodrigo de
AU  - Tristán Vega, Antonio
AU  - Pieciak, Tomasz
PY  - 2023
SN  - 2213-1582
UR  - https://uvadoc.uva.es/handle/10324/70628
AB  - The objective of this study is to evaluate the efficacy of deep learning (DL) techniques in improving the quality of diffusion MRI (dMRI) data in clinical applications. The study aims to determine whether the use of artificial intelligence (AI)...
LA  - eng
PB  - Elsevier
KW  - Deep learning
KW  - Machine learning
KW  - Artificial intelligence
KW  - Diffusion MRI
KW  - Angular resolution
KW  - Diffusion tensor
TI  - Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies
DO  - 10.1016/j.nicl.2023.103483
ER  -