AIMS: Objective evaluation of radiation dermatitis is important for analysing the correlation between the severity of radiation dermatitis and dose distribution in clinical practice and for reliable reporting in clinical trials. We developed a novel radiation dermatitis segmentation system based on convolutional neural networks (CNNs) to consistently evaluate radiation dermatitis.
MATERIALS AND METHODS: The radiation dermatitis segmentation system is designed to segment the radiation dermatitis occurrence area using skin photographs and skin-dose distribution. A CNN architecture with a dilate
СтатьяПоддержка 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.
PURPOSE: Automatic segmentation of medical lesions is a prerequisite for efficient clinic analysis. Segmentation algorithms for multimodal medical images have received much attention in recent years. Different strategies for multimodal combination (or fusion), such as probability theory, fuzzy models, belief functions, and deep neural networks, have also been developed. In this paper, we propose the modality weighted UNet (MW-UNet) and attention-based fusion method to combine multimodal images for medical lesion segmentation.
METHODS: MW-UNet is a multimodal fusion method which is based on UN
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.
One essential step in radiotherapy treatment planning is the organ at risk of segmentation in Computed Tomography (CT). Many recent studies have focused on several organs such as the lung, heart, esophagus, trachea, liver, aorta, kidney, and prostate. However, among the above organs, the esophagus is one of the most difficult organs to segment because of its small size, ambiguous boundary, and very low contrast in CT images. To address these challenges, we propose a fully automated framework for the esophagus segmentation from CT images. The proposed method is based on the processing of slice
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: Colorectal tumors are common clinical diseases. Automatic segmentation of colorectal tumors captured in computed tomography (CT) images can provide numerous possibilities for computer-assisted treatment. Obtaining large datasets is expensive, and completing labeling is time- and manpower-consuming. To solve the challenge using a limited pathological dataset, this paper proposes a multi-series fusion network with treeconnect (TMSF-Net), which can automatically achieve colorectal tumor segmentation using CT images.
METHODS: To drive the TMSF-Net, three-series enhanced CT images were co
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.
BACKGROUND: Pneumothorax can lead to a life-threatening emergency. The experienced radiologists can offer precise diagnosis according to the chest radiographs. The localization of the pneumothorax lesions will help to quickly diagnose, which will be benefit for the patients in the underdevelopment areas lack of the experienced radiologists. In recent years, with the development of large neural network architectures and medical imaging datasets, deep learning methods have become a methodology of choice for analyzing medical images. The objective of this study was to the construct convolutional
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.
Image steganography plays a crucial role in covert communication and copyright protection, but existing methods still struggle to achieve a balance between embedding capacity, image imperceptibility, anti-detection capabilities, and model complexity. Under complex channel interference such as compression and noise, the accuracy of secret information recovery easily declines, while computational costs increase. Therefore, this study proposes an image steganography method based on an end-to-end embedding-extraction network and lightweight convolutional modules. First, the carrier image and the s
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: Rheumatoid arthritis (RA) is a heterogeneous autoimmune disease where cytokine-driven dysregulation of gene networks poses a significant challenge for accurate diagnosis and targeted therapy. While transcriptomic data hold immense promise, most machine learning models lack the interpretability to decipher the underlying biological mechanisms, particularly the specific roles of key cytokines.
METHODS: We developed GeneCytNet, a novel deep learning framework that integrates a Variational Autoencoder (VAE) for nonlinear feature compression with a Graph Attention Network (GAT) to mode
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.
Preeclampsia is a complex pregnancy disorder that poses significant health risks to both mother and fetus. Despite its clinical importance, the underlying molecular mechanisms remain poorly understood. In this study, we developed an integrative deep learning and bioinformatics approach to identify potential biomarkers for preeclampsia. Three microarray datasets related to preeclampsia were initially analyzed to select a preliminary gene subset based on $P$-values. Feature selection was then performed in two consecutive rounds: first, the Fisher score method was applied to extract significant g
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.
PURPOSE: Manual segmentation of retinal blood vessels in fundus images has been widely used for detecting vascular occlusion, diabetic retinopathy, and other retinal conditions. However, existing automated methods face challenges in accurately segmenting fine vessels and optimizing loss functions effectively. This study aims to develop an integrated framework that enhances vessel segmentation accuracy and robustness for clinical applications.
METHODS: The proposed pipeline integrates multiple advanced techniques to address the limitations of current approaches. In preprocessing, Quasi-Cross 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.
Processing incoming neural oscillatory signals in real-time and decoding from them relevant behavioral or pathological states is often required for adaptive Deep Brain Stimulation (aDBS) and other brain-computer interface (BCI) applications. Most current approaches rely on first extracting a set of predefined features, such as the power in canonical frequency bands or various time-domain features, and then training machine learning systems that use those predefined features as inputs and infer what the underlying brain state is at each given time point. However, whether this algorithmic approa
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.
Various motor and cognitive functions affect dressing skill. Evaluating the hierarchy of factors that influence performance in daily dressing and predicting this performance are crucial for effective rehabilitation. This study aims to clarify the interrelationships among motor function, cognitive function, dressing skill, speed of dressing, and performance of dressing in daily living, and to predict the latter using a convolutional neural network (CNN) model. We conducted a retrospective study. A total of 243 stroke patients were enrolled in this study, which comprised 2 rounds of data analysi
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.
Recent advances in deep learning (DL) have enabled the integration of diverse biomedical data for disease prediction and risk stratification. Building on this progress, the overall objective of this study was to develop and evaluate a multimodal DL framework for robust multi-label classification (MLC) of major comorbidities in patients with obstructive sleep apnea (OSA) using physiological time series signals and clinical data. This study proposes a robust framework for multi-label classification (MLC) of comorbidities in patients with OSA using diverse physiological and clinical data sources.
СтатьяНаблюдательное исследованиеПолный 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.
Alzheimer's disease (AD) is a prevalent neurodegenerative disease that primarily affects the elderly population. The early detection of mild cognitive impairment (MCI) holds significant clinical importance for prompt intervention and treatment of AD. Currently, functional connectivity (FC) networks-based diagnostic methods for early MCI (eMCI) detection are widely employed. FC considers the interaction patterns between brain regions as a topological structure. Recently, graph neural network (GNN) approaches have been utilized for disease diagnosis using FC networks, leveraging their ability to
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.
Parotid gland tumors account for approximately 2% to 10% of head and neck tumors. Segmentation of parotid glands and tumors on magnetic resonance images is essential in accurately diagnosing and selecting appropriate surgical plans. However, segmentation of parotid glands is particularly challenging due to their variable shape and low contrast with surrounding structures. Recently, deep learning has developed rapidly, and Transformer-based networks have performed well on many computer vision tasks. However, Transformer-based networks have yet to be well used in parotid gland segmentation tasks
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.
It is widely accepted that biological motion (BM) perception involves the posterior superior temporal sulcus (pSTS). Yet, how individual neurons and neural circuits in pSTS encode BM remains unclear. Here we combined electrophysiological recordings with neural network modeling to elucidate BM computations in two subregions of pSTS. We recorded single-cell activity from the middle temporal area (MT) and the medial superior temporal area (MST) of three macaque monkeys when they viewed point-light displays portraying BM walking in different directions (left vs. right), orientations (upright vs. i
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.
Wearable cardioverter defibrillator (WCD) is a life saving, wearable, noninvasive therapeutic device that prevents fatal ventricular arrhythmic propagation that leads to sudden cardiac death (SCD). WCD are frequently prescribed to patients deemed to be at high arrhythmic risk but the underlying pathology is potentially reversible or to those who are awaiting an implantable cardioverter-defibrillator. WCD is programmed to detect appropriate arrhythmic events and generate high energy shock capable of depolarizing the myocardium and thus re-initiating the sinus rhythm. WCD guidelines dictate very
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.
In some patients, the passage of semi-rigid ureteroscopes up the ureter is impossible due to narrow ureteral lumen. We established a neural network to predict the inability of the ureter to accommodate the semi-rigid ureteroscope and the need for active or passive dilatation using non-contrast computed tomography (CT) images. Data were collected retrospectively from two centers of 1989 eligible patients who underwent ureteroscopic lithotripsy with ureteral stones. Patients were categorized into two groups: control and narrow ureter. The network was designed and trained for predicting a narrow
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.
Colposcopy is widely used to detect cervical cancers, but experienced physicians who are needed for an accurate diagnosis are lacking in developing countries. Artificial intelligence (AI) has been recently used in computer-aided diagnosis showing remarkable promise. In this study, we developed and validated deep learning models to automatically classify cervical neoplasms on colposcopic photographs. Pre-trained convolutional neural networks were fine-tuned for two grading systems: the cervical intraepithelial neoplasia (CIN) system and the lower anogenital squamous terminology (LAST) system. T
СтатьяПоддержка 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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2018eng
Mapping the brain alterations post stroke and post intervention is important for rehabilitation therapy development. Previous work has shown changes in functional connectivity based on resting-state fMRI, structural connectivity derived from diffusion MRI and perfusion as a result of brain-computer interface-assisted motor imagery (MI-BCI) and transcranial direct current stimulation (tDCS) in upper-limb stroke rehabilitation. Besides functional connectivity, regional amplitude of local low-frequency fluctuations (ALFF) may provide complementary information on the underlying neural mechanism in
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.
The use of computer-aided diagnostic (CAD) models has been proposed to aid in the detection and classification of breast cancer. In this work, we evaluated the performance of multilayer perceptron neural network and nonlinear support vector machine models to classify breast cancer nodules. From the contour of 569 samples, ten morphological features were used as input to the classifiers. The average results obtained in the set of 50 simulations performed show that the proposed models showed good performance (all exceeded 90.0%) in terms of accuracy in the test set. The nonlinear support vector
СтатьяОтозванная публикацияПоиск 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