Accueil › Annuaire des chercheurs › Omar Hamzaoui
Omar Hamzaoui
Affiliation : Mohamed I University
- 14Publications (affiliation marocaine)
- 14Publications au total
- 9Citations
- 2Indice h
Profil de recherche
Omar Hamzaoui compte 14 publications référencées (2025–2026). Ses travaux paraissent principalement dans « Radiological Physics and Technology », « Radiation Oncology Journal » et « Lecture notes in networks and systems ». Son article le plus cité, « DART-Net: A Novel Deep Learning Framework for Precise Radiotherapy Planning with Automated Multiorgan Segmentation and RTSTRUCT Generation » (2025), a été cité 3 fois. Ses travaux sont cosignés avec au moins 7 chercheurs.
C’est vous ? Faites connaître vos travaux
Créez gratuitement votre profil DzCademia et ajoutez vos articles : ils apparaîtront plus facilement sur Google et dans les assistants d’IA comme ChatGPT. Plus de personnes pourront vous lire et vous citer.
Créer mon profil gratuit Ajouter mes publicationsDomaines de recherche
- Advanced Radiotherapy Techniques
- Radiation Therapy and Dosimetry
- Radiation Dose and Imaging
- Radiomics and Machine Learning in Medical Imaging
- Medical Image Segmentation Techniques
Publications (14)
- Enhancement of electron beam conformity in MRI-guided radiotherapy with parallel magnetic fields: a Monte Carlo analysis
- Clinically validated deep learning auto-contouring for glioblastoma volumetric modulated arc therapy planning: a dosimetric equivalence study
- Predicting VMAT Modulation Complexity Before Planning: A Comparative Analysis of Machine Learning Classifiers
- Electron beam dosimetry in uniform and spatially varying magnetic fields: implications for MR-guided radiation systems
- Hounsfield Unit Preservation in Low‐Dose Abdomen and Pelvic CT Denoising: An Enhanced UNIT Framework for Radiotherapy Planning
- Optimising electron beam 6 MeV radiotherapy: field-size-dependent dosimetric impact of perforated thermoplastic immobilisation masks
- Quantifying the spatial information loss of Dose-Volume Histograms in Gamma Knife radiosurgery via unsupervised 3D dose geometry embedding
- Deep learning for CT-less attenuation correction synthesis in non-small cell lung cancer: A proof-of-concept evaluated for quantitative and physical characteristics
- Impact of magnetic field orientation and strength on dose distributions in 6 MV photon beams: A Monte Carlo study
- Physics-aware geometric deep learning for pre-planning dosimetric feasibility in Gamma Knife radiosurgery
- DART-Net: A Novel Deep Learning Framework for Precise Radiotherapy Planning with Automated Multiorgan Segmentation and RTSTRUCT Generation
- Comparative dosimetric analysis of concave versus convex surface curvatures in external beam radiotherapy: a Monte Carlo investigation revealing opposing geometric effects
- Comparative analysis of eMC algorithm dose calculations using GATE validation: impact of tissue heterogeneity on electron beam dosimetry
- Advancing Radiotherapy Quality Assurance: A Comparative Analysis of a Novel MATLAB-Based Gamma Index Program and Established MyQA Software
Revues de publication
- Radiological Physics and Technology × 3
- Radiation Oncology Journal × 1
- Lecture notes in networks and systems × 1
- The European Physical Journal Plus × 1
- International Journal of Imaging Systems and Technology × 1
- Reports of Practical Oncology & Radiotherapy × 1
Publications par année
- 202610
- 20254
Collaborations
Établissements partenaires : Centre Hospitalo-Universitaire Mohammed VI d'Oujda
Co-auteurs
- Abdeslem Rrhioua
- Mustapha Zerfaoui
- Mohammed Rezzoug
- Yassine Oulhouq
- Dikra Bakari
- Dikra Bakkari
- ZERFAOUI Mustapha
Données bibliographiques issues d’OpenAlex (base ouverte).
Pourquoi choisir DzCademia ?
Pour donner à vos travaux plus de chances d’être découverts et recommandés par les IA. Profils, articles et communications : donnez à votre recherche une présence publique structurée. Les métadonnées intégrées aident les moteurs de recherche et les assistants IA à identifier vos travaux et à comprendre leurs références.
Commenter avec Google
Connecte-toi avec Google pour commenter directement sur cette page.