Výsledky vyhledávání - "Rudmann, Daniel"

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Kniha

Autor: Durham, Stephen K., Rudmann, Daniel G., Rudmann, Keegan C., Swenberg, James A.

Publikováno v: In Haschek and Rousseaux's Handbook of Toxicologic Pathology, Volume 2 Edition: Fourth Edition. 2023:617-628

Zobrazit plný text záznamu

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

sj-docx-1-tpx-10.1177_01926233221099273 – Supplemental material for Scientific and Regulatory Policy Committee Points to Consider: Primary Digital Histopathology Evaluation and Peer Review for Good Laboratory Practice (GLP) Nonclinical Toxicology Studies

Autor: Forest, Thomas, Aeffner, Famke, Bangari, Dinesh S., Bawa, Bhupinder, Carter, Jonathan, Fikes, James, High, Wanda, Hayashi, Shim-mo, Jacobsen, Matthew, McKinney, LuAnn, Rudmann, Daniel, Steinbach, Thomas, Schumacher, Vanessa, Turner, Oliver, Ward, Jerrold M., Willson, Cynthia J.

Supplemental material, sj-docx-1-tpx-10.1177_01926233221099273 for Scientific and Regulatory Policy Committee Points to Consider: Primary Digital Histopathology Evaluation and Peer Review for Good Laboratory Practice (GLP) Nonclinical Toxicology Stud

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::c1210c66cbaca8dad3284f5cd2f96e76

Zobrazit plný text záznamu

Akademický článek

ADVANCING NON-CLINICAL PATHOLOGY USING DECISION SUPPORT DEEP LEARNING

Autor: Rudmann, Daniel

Publikováno v: In Journal of Pathology Informatics 2022 13

Zobrazit plný text záznamu

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Supplemental Material, sj-docx-1-tpx-10.1177_0192623320973986 - Using Deep Learning Artificial Intelligence Algorithms to Verify N-Nitroso-N-Methylurea and Urethane Positive Control Proliferative Changes in Tg-RasH2 Mouse Carcinogenicity Studies

Autor: Rudmann, Daniel, Albretsen, Jay, Doolan, Colin, Gregson, Mark, Dray, Beth, Sargeant, Aaron, D, Donal O’Shea, Jogile Kuklyte, Power, Adam, Fitzgerald, Jenny

Supplemental Material, sj-docx-1-tpx-10.1177_0192623320973986 for Using Deep Learning Artificial Intelligence Algorithms to Verify N-Nitroso-N-Methylurea and Urethane Positive Control Proliferative Changes in Tg-RasH2 Mouse Carcinogenicity Studies by

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::7b46b8cc4ae5fa2f2ff44e7559a8af0c

Zobrazit plný text záznamu

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Vyhledávací nástroje:

Upřesnit hledání