MétaCan
Menu
Constructeur de cohorte

4 299 418 travaux, canadiens par l’une de quatre routes.

Chaque état de filtre est une URL; l’URL est la requête; la requête est citable via /q/⟨hash⟩. La page, l’API et l’export analysent les mêmes paramètres.

La cohorte courante, diffusée en continu depuis la base de données : toutes les colonnes des travaux, les étiquettes machine, les scores provisoires et l'état de validation de chaque rangée. Les exportations sont plafonnées à 100 000 rangées. Crée un lien /q/ permanent pour cette requête exacte. Les mêmes filtres produisent toujours le même lien, qui que soit le demandeur.

Terme de recherche
Auteur ou autrice
Période
Ordre
Langue
Type
Domaine
Revue
Sujet
AI in cancer detection
Rétractation
Résumé
Source des données probantes
Devis d'étude
Accord des étiquettes
État des étiquettes

Les étiquettes directes de Codex et Gemma sont non validées et clairsemées. Les prédictions distillées couvrent la base complète et sont elles aussi non validées. Choisissez explicitement la source; l'absence d'une étiquette directe n'est jamais une étiquette négative.

affaffiliation
fundbailleur
venuerevue
aboutsujet

Les quatre voies se composent : exigez la voie du financement et excluez l'affiliation pour obtenir la strate financée-seulement qu'aucune base fondée sur l'affiliation ne voit jamais.

1 463 résultats · 1 filtre actif ·
Résultats par année
20002025
Date de publication
Catégories
Étiquettes machine · couverture clairsemée
Preuves
Langue
Type
Citations
Un travail non étiqueté est inconnu, pas un négatif. La couverture est rapportée à chaque requête.
1 463 travaux dans la cohorte · sur 4 299 418page 1 sur 30

Les étiquettes couvrent 4 des 1 463 travaux de cette cohorte. Les autres sont non étiquetés, ce qui n'est pas une étiquette négative : la table des étiquettes est clairsemée aujourd'hui et s'enrichit au fil des rondes d'étiquetage.

Les prédictions distillées couvrent 1 463 des 1 463 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le mode candidate est l'union; le consensus est l'intersection.

afffundnon étiqueté
Segment anything in medical images
Jun Ma, Yuting He, Feifei Li, Lin Han, Chenyu You, Bo Wang
2024· article· en· Nature Communications· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2 390
citations
afffundnon étiqueté
Deep Learning: A Primer for Radiologists
Gabriel Chartrand, Phillip M. Cheng, Eugene Vorontsov, Michal Drozdzal, Simon Turcotte, Christopher Pal +2 autres
2017· review· en· Radiographics· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
1 099
citations
affsans résuménon étiqueté
What Is Machine Learning?
Issam El Naqa, Martin J. Murphy
2015· book-chapter· en· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · insufficient_payload
752
citations
affsans résuménon étiqueté
Diffusion models in medical imaging: A comprehensive survey
Amirhossein Kazerouni, Ehsan Khodapanah Aghdam, Moein Heidari, Reza Azad, Mohsen Fayyaz, Ilker Hacihaliloglu +1 autres
2023· review· en· Medical Image Analysis· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
652
citations
afffundnon étiqueté
Review of the current state of whole slide imaging in pathology
Liron Pantanowitz, Paul N. Valenstein, Andrew Evans, Keith J. Kaplan, John D. Pfeifer, David C. Wilbur +2 autres
2011· article· en· Journal of Pathology Informatics· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
432
citations
affsans résuménon étiqueté
Pattern Classification
Thanh M. Cabral, Rangaraj M. Rangayyan
2012· book-chapter· en· Synthesis lectures on biomedical engineering· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
429
citations
fundno affnon étiqueté
Denoising diffusion probabilistic models for 3D medical image generation
Firas Khader, Gustav Müller‐Franzes, Soroosh Tayebi Arasteh, Tianyu Han, Christoph Haarburger, Maximilian Schulze‐Hagen +9 autres
2023· article· en· Scientific Reports· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
300
citations
affsans résuménon étiqueté
A survey on U-shaped networks in medical image segmentations
Liangliang Liu, Jianhong Cheng, Quan Quan, Fang‐Xiang Wu, Yu‐Ping Wang, Jianxin Wang
2020· article· en· Neurocomputing· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
282
citations
affsans résuménon étiqueté
Manifold Learning of Brain MRIs by Deep Learning
Tom Brosch, Roger Tam
2013· article· en· Lecture notes in computer science· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
225
citations
affnon étiqueté
Automatic Identification of the Pectoral Muscle in Mammograms
Ricardo J. Ferrari, Rangaraj M. Rangayyan, J. E. Leo Desautels, R. A. Borges, A.F. Frere
2004· article· en· IEEE Transactions on Medical Imaging· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
211
citations
afffundnon étiqueté
Vision Transformers for Classification of Breast Ultrasound Images
Behnaz Gheflati, Hassan Rivaz
2022· article· en· 2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC)· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
192
citations

En coulisses: Sélection · Constats · À propos