| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن | 
|---|---|---|---|---|
| 8962191 | 1646546 | 2018 | 49 صفحه PDF | دانلود رایگان | 
عنوان انگلیسی مقاله ISI
												Predictive accuracy of lepidic growth subtypes in early-stage adenocarcinoma of the lung by quantitative CT histogram and FDG-PET
												
											دانلود مقاله + سفارش ترجمه
													دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
																																												کلمات کلیدی
												AISIASLCHRCTLGAATSMIACTRDFSERSROCGround-glass opacitiesThree-dimensionalFDG-PETAAHhigh-resolution CT - CT با وضوح بالاthree-dimensional CT - CT سه بعدیGGO - GMOPET/CT - PET / CTAdenocarcinoma - آدنوکارسینوماAdenocarcinoma in situ - آدنوکارسینوما در محلMinimally invasive adenocarcinoma - آدنوکارسینوما مهاجم تهاجمیInternational Association for the Study of Lung Cancer - انجمن بین المللی تحقیقات سرطان ریهEuropean Respiratory Society - انجمن تنفسی اروپاAmerican Thoracic Society - انجمن قلب آمریکاdisease-free survival - بقاء بدون بیماریcomputed tomography - توموگرافی کامپیوتری یا سی تی اسکن یا مقطعنگاری رایانهایconfidence interval - فاصله اطمینانSUV - ماشین شاسی بلندStage I - مرحله اولStandardized uptake values - مقادیر جذب استانداردhistogram - هیستوگرامAtypical adenomatous hyperplasia - هیپرپلازی آدنوماتوز غیرطبیعیreceiver operating characteristic - گیرنده عامل عامل
												موضوعات مرتبط
												
													علوم زیستی و بیوفناوری
													بیوشیمی، ژنتیک و زیست شناسی مولکولی
													تحقیقات سرطان
												
											پیش نمایش صفحه اول مقاله
												 
												چکیده انگلیسی
												The 75th%, maxCT, and SUVmax were highly useful in distinguishing LGA from non-LGA in c-0/I adenocarcinoma.
											ناشر
												Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Lung Cancer - Volume 125, November 2018, Pages 14-21
											Journal: Lung Cancer - Volume 125, November 2018, Pages 14-21
نویسندگان
												Daisuke Eriguchi, Yoshihisa Shimada, Kentaro Imai, Hideyuki Furumoto, Tetsuya Okano, Ryuhei Masuno, Jun Matsubayashi, Naohiro Kajiwara, Tatsuo Ohira, Norihiko Ikeda,