SparseXMIL: Leveraging sparse convolutions for context-aware and memory-efficient classification of whole slide images in digital pathology
0Citations signalées, ce qui n’est pas une note de qualité
10Institutions déclarées
1Pays d’affiliation déclarés
Rattachement africain : fr. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- SparseXMIL: Leveraging sparse convolutions for context-aware and memory-efficient classification of whole slide images in digital pathology
- Date Crossref
- 01/06/2026
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
InsermUniversité Paris-SaclayBouygues (France)Institut des Sciences du Vivant Frédéric JoliotCentraleSupélecPrédicteurs moléculaires et nouvelles cibles en oncologieUniversité Paris Sciences et LettresHôpital Saint-MichelInstitut CurieInstitut Gustave Roussy
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
AI in cancer detectionDigital Imaging for Blood DiseasesCOVID-19 diagnosis using AI