PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Wagner, S. ; Matek, C. ; Shetab Boushehri, S. ; Boxberg, M.* ; Lamm, L. ; Sadafi, A. ; Waibel, D.J.E. ; Marr, C. ; Peng, T.

Make deep learning algorithms in computational pathology more reproducible and reusable.

Nat. Med., DOI: 10.1038/s41591-022-01905-0 (2022)
DOI PMC
Open Access Green möglich sobald Postprint bei der ZB eingereicht worden ist.
Altmetric
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Sonstiges: Nachrichtenmeldung
Sprache englisch
Veröffentlichungsjahr 2022
HGF-Berichtsjahr 2022
ISSN (print) / ISBN 1078-8956
e-ISSN 1546-170X
Zeitschrift Nature medicine
Verlag Nature Publishing Group
Verlagsort New York, NY
Begutachtungsstatus Peer reviewed
Institut(e) Helmholtz Artifical Intelligence Cooperation Unit (HAICU)
Institute of AI for Health (AIH)
Helmholtz Pioneer Campus (HPC)
POF Topic(s) 30205 - Bioengineering and Digital Health
30203 - Molecular Targets and Therapies
Forschungsfeld(er) Enabling and Novel Technologies
Pioneer Campus
PSP-Element(e) G-530006-001
G-540007-001
G-510008-001
DOI 10.1038/s41591-022-01905-0
WOS ID WOS:000837551000002
Scopus ID 85136824168
PubMed ID 35941376
Erfassungsdatum 2022-09-02
[➜Korrektur melden]