Estimating heterogeneous treatment effects in survival settings is complicated by right censoring as well as the time-varying nature of the estimand. While the conditional average treatment effect (CATE) provides a natural target, most existing approaches focus on a single prespecified time point and do not account for temporal trajectory, leading to instability in estimation. We propose a deep survival learner (DSL) for estimating heterogeneous treatment effects with right-censored outcomes. The method is based on a doubly robust pseudo-outcome whose conditional expectation identifies time-sp
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.
Upper limb motor dysfunction resulting from stroke requires effective rehabilitation solutions; however, current exoskeletons are limited by single-input control, inadequate adaptation to various rehabilitation stages, and restriction to one limb. This study presents the development of a three-degree-of-freedom upper limb rehabilitation exoskeleton with three core innovations: (1) a neuro-fuzzy adaptive admittance control architecture that integrates human-robot interaction force and joint angular velocity as dual inputs for real-time damping adjustment, enabling accurate capture of dynamic mo
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.
Conventional registration approaches frequently underperform when applied to sparse feature alignment (e.g., retinal vessels and filamentous collagen fibers in second-harmonic generation (SHG) and bright-field (BF) images), as these tasks demand simultaneous handling of global affine registration and local deformation correction. End-to-end learning-based approaches struggle with minimal effective gradients from loss back-propagation of these sparse features, while descriptor matching methods, though helpful, lack fidelity loss and fail to adapt to local deformation. To address these issues, w
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.
Well-designed and trained deep neural networks can solve inverse electromagnetic problems much faster than conventional solvers. However, they need a physics framework to ensure producing physically correct results. Since most physics-guided deep learning inverse solvers require substantial training with numerous epochs, each involving solving a forward problem, their accuracy and efficiency are largely defined by the utilized forward solver, which becomes a bottleneck for their practical training. Thus, a fast and accurate self-supervised deep learning forward solver is presented. The solver
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.
Deep learning has the potential to address the bottleneck of conventional medical microwave tomography, which is ill-posed and has a high computation cost. However, current physics-guided deep learning methods may fail to capture the imaged object's salient regions, resulting in misdiagnosis. A deep neural network inspired by the distorted Born iterative method (DBIM) is proposed to address this challenge. This method, which avoids using Green's function, provides a theoretical explanation of why current deep learning methods guided by iterative physics algorithms fail in detecting abnormal ti
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.
The need to find a more sustainable and environment friendly biofuel has driven a lot of experimental studies in past few decades. But, the cost of physical testing and resource constraint has limited the capability to find better and low emission fuels. This study aims to bridge this gap by developing an artificial neural networks (ANNs) model that can predict the emission (i.e., nitrogen oxide (NOx), carbon oxides (COx), hydrocarbons (HC)) of biodiesel and its blends based on the composition of feedstock and its additives, physiochemical properties and engine working conditions. The ANN 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.
In this article, we study a nonlinear neuron membrane model describing the propagation of action potentials along nerve fibers, incorporating nonlinear elastic effects and higher-order dispersion. By applying the Hirota bilinear transformation, the given equation is converted into an equivalent bilinear form, which provides a suitable analytical framework for systematic construction of exact solutions. To enrich the functional solution space, we introduce a bilinear neural network method (BNNM), where neural network architectures are used as structured symbolic generators rather than numerical
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.
Despite an increasing interest in the pharmacology of cannabinoids from Cannabis sativa, little is known to date about their ability to cross the placenta and to be secreted into breast milk, and in this study, we sought to fill this gap. In total, 126 phytocannabinoids previously detected in Cannabis sativa were investigated for their transplacental transfer and secretion into breast milk. Placental transport was predicted using novel multiple linear regression (MLR), artificial neural network (ANN), boosted trees (BT), and support vector regression (SVR) models, based on a reference set of 8
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.
This study aims to develop a nonlinear SVLIQR epidemic model to investigate measles transmission dynamics by incorporating vaccination, latency, quarantine, and treatment effects. The qualitative properties of the model, including positivity and boundedness of solutions, are established. The basic reproduction number is derived using the next-generation matrix method, and the existence of disease-free and endemic equilibrium points is examined. The local stability of the disease-free equilibrium is analysed using the Routh-Hurwitz criterion, while global stability is studied through the Castil
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.
Non-negative matrix factorization (NMF), widely used in motor neuroscience for identifying muscle synergies from electromyographical signals (EMGs), extracts non-negative synergies and is yet unable to identify potential negative components (NegCps) in synergies underpinned by inhibitory spinal interneurons. To overcome this constraint, we propose to utilize rectified latent variable model (RLVM) to extract muscle synergies. RLVM uses an autoencoder neural network, and the weight matrix of its neural network could be negative, while latent variables must remain non-negative. If inputs to the m
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.
OBJECTIVE: Ophthalmologists use retinal fundus imaging as a useful tool to diagnose retinal issues. Recently, research on machine learning has concentrated on disease diagnosis. However, disease detection is less accurate, more likely to be misidentified, and often takes a long time to get the right conclusions. This study suggested a new hybrid Deep Learning (DL) approach for retinal illness classification using retinal images to overcome these problems. Three crucial stages are included in this proposed study: preprocessing, feature extraction, and disease classification.
METHODS: At first,
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.
Diabetic retinopathy is a serious ocular complication that poses a significant threat to patients' vision and overall health. Early detection and accurate grading are essential to prevent vision loss. Current automatic grading methods rely heavily on deep learning applied to retinal fundus images, but the complex, irregular patterns of lesions in these images, which vary in shape and distribution, make it difficult to capture the subtle changes. This study introduces RadFuse, a multi-representation deep learning framework that integrates non-linear RadEx-transformed sinogram images with tradit
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.
Endometrial cancer, termed uterine cancer, seriously affects female reproductive organs, and the analysis of histopathological images formed a golden standard for diagnosing this cancer. Sometimes, early detection of this disease is difficult because of the limited capability of modeling complicated relationships among histopathological images and their interpretations. Moreover, many previous methods do not effectively handle the cell appearance variations. Hence, this study develops a novel classification technique called transfer learning convolution neural network with artificial bald eagl
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.
White blood cell (WBC) classification plays a crucial role in hematopathology and clinical diagnostics. However, traditional methods are constrained by limited receptive fields and insufficient utilization of contextual information, which hinders classification performance. To address these limitations, this paper proposes an enhanced WBC classification algorithm, CCE-YOLOv7, which is built upon the YOLOv7 framework. The proposed method introduces four key innovations to enhance detection accuracy and model efficiency: (1) A novel Conv2Former (Convolutional Transformer) backbone was designed t
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.
Ultrasound fetal imaging is beneficial to support prenatal development because it is affordable and non-intrusive. Nevertheless, fetal plane classification (FPC) remains challenging and time-consuming for obstetricians since it depends on nuanced clinical aspects, which increases the difficulty in identifying relevant features of the fetal anatomy. Thus, to assist with its accurate feature extraction, a lightweight artificial intelligence architecture leveraging convolutional neural networks and attention mechanisms is proposed to classify the largest benchmark ultrasound dataset. The approach
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.
OBJECTIVES: Convolutional Neural Networks (CNNs) have long dominated image analysis in dentistry, reaching remarkable results in a range of different tasks. However, Transformer-based architectures, originally proposed for Natural Language Processing, are also promising for dental image analysis. The present study aimed to compare CNNs with Transformers for different image analysis tasks in dentistry.
METHODS: Two CNNs (U-Net, DeepLabV3+), two Hybrids (SwinUNETR, UNETR) and two Transformer-based architectures (TransDeepLab, SwinUnet) were compared on three dental segmentation tasks on differe
СтатьяСравнительное исследованиеПоддержка 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.
BACKGROUND AND OBJECTIVE: High-precision segmentation of pathological images is a challenging task in the field of medical image processing. Hyperspectral microscopic imaging offers a distinct advantage in histopathological image segmentation due to its abundance of spectral and spatial data.
METHODS: Here, a Dule-Channel Multi-Scale Spatial-Spectral Feature Fusion Network (DC-MSSFF Net) is proposed for semantic segmentation of cholangiocarcinoma hyperspectral images (HSI). The DC-MSSFF Net is composed of two parallel channels, graph-within-graph (GwG) and multi-scale CNN. The GwG can greatly
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.
Interpretable deep-learning models have received widespread attention in the field of image recognition. However, owing to the coexistence of medical-image categories and the challenge of identifying subtle decision-making regions, many proposed interpretable deep-learning models suffer from insufficient accuracy and interpretability in diagnosing images of medical diseases. Therefore, this study proposed a feature-driven inference network (FeaInfNet) that incorporates a feature-based network reasoning structure. Specifically, local feature masks (LFM) were developed to extract feature vectors
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.
Strabismus, or eye misalignment, is a common condition affecting individuals of all ages. Early detection and accurate classification are essential for proper treatment and avoiding long-term complications. This research presents a new deep-learning-based approach for automatically identifying and classifying strabismus from facial images. The proposed methodology leverages Convolutional Neural Networks (CNNs) to achieve high accuracy in both binary (strabismus vs. normal) and multi-class (eight-class deviation angle for esotropia and exotropia) classification tasks. The dataset for binary cla
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.
Lysine 2-hydroxyisobutyrylation (Khib) has emerged as a crucial Post-Translational Modification (PTM) with significant roles in diverse biological processes ranging from gene expression to metabolic regulation. Despite its importance, computational approaches for accurately predicting Khib sites remain limited. This study introduces BLOS-Khib, a deep-learning framework that utilizes evolutionary information encoded in the BLOSUM62 matrix within a Convolutional Neural Network (CNN) architecture for cross-species Khib site prediction. Through systematic optimization, we found that a 43-amino aci
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.
MedElevator
Войти в исследования