Automated analysis of neonatal fundus images presents a uniquely intricate challenge in medical imaging. Existing methodologies predominantly focus on diagnosing abnormalities from individual images, often leading to inaccuracies due to the diverse and subtle nature of neonatal retinal features. Consequently, clinical standards frequently mandate the acquisition of retinal images from multiple angles to ensure the detection of minute lesions. To accommodate this, we propose leveraging multiple fundus images captured from various regions of the retina to comprehensively screen for a wide range
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
INTRODUCTION: Life-threatening respiratory conditions such as COVID-19 and pneumonia demand rapid and accurate diagnosis. Chest X-rays (CXR) are widely used due to their accessibility and cost-effectiveness, but interpreting them remains clinically challenging, especially with overlapping radiological features.
METHODS: The proposed VSAG-HDL Net, a novel hybrid deep learning framework designed to enhance the accuracy and interpretability of CXR-based diagnosis. The architecture integrates a Variational Spatial Attention Fusion U-Net (VSA-FU-Net) for lesion segmentation and a Sharpened Cosine
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Feature selection represents a critical step in developing accurate and interpretable models for early breast cancer detection. Despite extensive research in the field of mammographic image analysis, no consensus has yet been reached on the optimal feature subsets that distinguish normal from malignant tissues. To address this gap, the present study aims to identify the most discriminative and significant features through a comprehensive multi-criterion selection framework. The aim is to integrate, as new frameworks, different combinations of t-test, ANOVA, Mutual Information (MI), and Equal G
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Chronic venous insufficiency (CVI) produces heterogeneous lower-extremity skin changes that often mimic inflammatory dermatoses, complicating the differentiation between venous etiologies and conditions requiring dermatologic care. Coexisting venous signs further confound visual interpretation, leading to diagnostic variability. To address this unmet clinical need, we developed and externally validated a pose-guided, high-resolution deep learning pipeline to classify CVI-related skin lesions from routine clinical photographs.
MATERIALS AND METHODS: A deep learning framework was de
СтатьяМногоцентровое исследованиеВалидационное исследованиеПоддержка исследования: вне правительства СШАПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
A malignant disorder known as breast cancer (BC) arises when cells in breast tissue grow out of control, frequently due to genetic, hormonal, or environmental reasons. Reducing death rates and increasing treatment outcomes depend on early and precise identification. However, a significant challenge lies in the variability of breast tissue among patients, dependence on high-resolution imaging, and difficulty interpreting subtle abnormalities, which delays accurate diagnosis and timely treatment in clinical settings. In this paper, an advanced AI-driven deep learning pipeline for highly accurate
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
In medical image segmentation and its semantic variant, annotations from multiple experts, when available, are used to generate consensus labels for training machine learning models. However, the annotator consistency is generally not captured in the consensus labels and can negatively impact the reliability of these models. In this study, we propose a novel approach based on the concept of self-consistency, which characterizes an expert's behavior by quantifying annotation certainty. The proposed method is model-agnostic and can be used as a universal preprocessing step for any segmentation b
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
INTRODUCTION: Chest X-ray (CXR) still represents the most performed radiological examination, but its interpretation may differ among readers. In the last years, several automatic detection tools have been developed to assist radiologists in CXR interpretation. We aimed to evaluate how artificial intelligence (AI)-based software may increase the performance of young radiologists in CXR interpretation compared to that of an experienced CXR radiologist.
MATERIALS AND METHODS: 500 CXRs were selected to generate a well-balanced dataset. For each patient, the CXR reading was conducted by an AI-bas
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Digital pathology has become an increasingly established component of routine diagnostic practice in recent years. Whole-slide imaging enables the complete digitization of histological slides and allows for primary diagnosis using digital images. This development offers new opportunities for diagnostics, consultations, archiving, education, and quality assurance. In dermatology and dermatopathology, digital pathology is particularly relevant for the evaluation of inflammatory skin diseases, melanocytic lesions, epithelial skin tumors, and immunohistochemical analyses. This article provides an
СтатьяОбзорПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Thyroid nodules are highly prevalent, with increasing detection rates driven by advanced imaging and expanded screening. Ultrasound serves as the first-line tool for screening, diagnosis and follow-up, owing to its non-invasiveness, real-time capability, cost-effectiveness and absence of ionizing radiation. However, conventional ultrasound diagnosis is highly operator-dependent, resulting in substantial inter-observer variability and diagnostic errors, particularly for subtle or indeterminate lesions. Artificial intelligence (AI), particularly deep learning and radiomics, has emerged as a prom
СтатьяОбзорПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Neck lymph node detection is crucial for early cancer metastasis detection and treatment, influencing treatment success and patient survival rates. It also aids in disease staging, monitoring, and treatment selection. It requires the expertise of professional senior radiologists, as the accuracy of current automated detection methods is not sufficiently high. In this study, the neck lymph node detection network (LymoNet) based on YOLOv8 is proposed to detect and classify normal, inflammatory, and metastatic neck lymph nodes from ultrasound images. The advanced attention mechanism modules are u
СтатьяПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate histopathological evaluation of pancreatic ductal adenocarcinoma (PDAC), including primary tumor lesions and lymph node metastases, is critical for prognostic evaluation and personalized therapeutic strategies. Distinct from other solid tumors, PDAC presents unique diagnostic challenges owing to its extensive desmoplasia, unclear tumor boundary, and difficulty in differentiating from chronic pancreatitis. These characteristics not only complicate pathological diagnosis but also hinder the acquisition of pixel-level annotations required for training computational pathology models. In t
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Automatic and accurate classification of cholangiocarcinoma (CCA) using optical coherence tomography (OCT) images is critical for confirming infiltration margins. Considering that the morphological representations in pathology stains can be implicitly captured in OCT imaging, we introduce the optical attenuation coefficient (OAC) and generalized visual-language information to focus on the optical properties of diseased tissue and exploit its inherent textured features. Maintaining the data within the appropriate working range during OCT scanning is crucial for reliable diagnosis. To this end,
СтатьяПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
In this paper, we employed the Vision Transformer architecture to effectively classify diabetic retinopathy (DR) in retinal images. Our dataset consisted of validated images, categorized into two classes: "normal" and "abnormal." The model demonstrated robust performance, achieving a training accuracy of 98.91% and a validation accuracy of 98.79%, alongside a commendable test accuracy of 100%. The training process spanned 30 epochs, during which the model exhibited consistent improvements in accuracy and reductions in loss. We further evaluated the model efficacy through a classification repor
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Diagnostic decision-making requires the integration of relevant facts and clinician experience. Incorporating the clinical experience from diverse backgrounds is beneficial in a multi-disciplinary model to mitigate uncertainties aroused by incomplete mastery of knowledge. However, current computer-aided diagnostic systems are generally designed using unitary datasets and are challenging to adapt to diverse institutions, leading to the limited reliability of the generated decisions. Accordingly, this study proposes a dynamic ensemble transfer learning-based system that simulates such diversity
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
PURPOSE: Glaucoma is a leading cause of irreversible blindness, and accurate cup-to-disc ratio (CDR) measurement is essential for early detection. This study presents an enhanced deep learning–based system for automated CDR estimation and glaucoma screening. METHODS: We propose an end-to-end framework consisting of three modules: (1) optic cup and disc segmentation using an enhanced dual encoder–decoder network (E-DCoAtUNet), (2) a conditional random field (CRF) post-processing module for boundary refinement, and (3) a measurement module for vertical CDR calculation and glaucoma classification
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Facial paralysis, as a common nerve system disease, seriously affects the patients' facial muscle function and appearance. Accurate facial paralysis grading is of great significance for the formulation of personalized treatment. Existing artificial intelligence based grading methods extensively focus on static image classification, which fails to capture the dynamic facial movements. Additionally, due to private concerns, building comprehensive facial paralysis datasets is challenging, making it impractical to fully train a robust model from scratch. Finally, maintaining precision and inferenc
СтатьяПоддержка исследования: вне правительства СШАПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The histopathological evaluation of biopsies by human experts is a gold standard in clinical disease diagnosis. While recent artificial intelligence-based (AI) approaches have reached human expert-level performance, they often display shortcomings caused by variations in sample preparation, limiting clinical applicability. This study investigates the impact of data variation on AI-based histopathological grading and explores algorithmic approaches that confer prediction robustness. To evaluate the impact of data variation in histopathology, we collected a multicentric, retrospective, observati
СтатьяМногоцентровое исследованиеНаблюдательное исследованиеПоддержка правительства СШАПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Prostate cancer is one of the most prevalent malignancies among men worldwide, and its diagnosis relies heavily on accurate analysis of whole slide imaging (WSI) in histopathology. However, manual interpretation is time-consuming and prone to inconsistent accuracy. Existing multiple instance learning (MIL)-based studies can assist diagnosis but still suffer from high computational cost, insufficient exploitation of inter-instance relationships, and neglect of tissue heterogeneity. To address these challenges, this paper proposes a feature distillation multiple instance learning method based on
Аннотация на английскомСтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND AND OBJECTIVES: Early detection of breast cancer through mammography significantly improves survival rates. However, high false positive and false negative rates remain a challenge. Deep learning-based computer-aided diagnosis systems can assist in lesion detection, but their performance is often limited by the availability of labeled clinical data. This study systematically evaluated the effectiveness of transfer learning, image preprocessing techniques, and the latest You Only Look Once (YOLO) model (v9) for optimizing breast mass detection models on small proprietary datasets.
M
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Chest radiography, commonly known as CXR, is frequently utilized in clinical settings to detect cardiopulmonary conditions. However, even seasoned radiologists might offer different evaluations regarding the seriousness and uncertainty associated with observed abnormalities. Previous research has attempted to utilize clinical notes to extract abnormal labels for training deep-learning models in CXR image diagnosis. However, these methods often neglected the varying degrees of severity and uncertainty linked to different labels. In our study, we initially assembled a comprehensive new dataset o
СтатьяПоддержка правительства СШАПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MedElevator
Войти в исследования