Accurately segmenting and individualizing cells in scanning electron microscopy (SEM) images is a highly promising technique for elucidating tissue architecture in oncology. While current artificial intelligence (AI)-based methods are effective, errors persist, necessitating time-consuming manual corrections, particularly in areas where the quality of cell contours in the image is poor and requires gap filling. This study presents a novel AI-driven approach for refining cell boundary delineation to improve instance-based cell segmentation in SEM images, also reducing the necessity for residual
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: The application of convolutional neural networks (CNNs) in microsurgery has been limited. Current CNNs struggle to capture diverse semantic details across various scales and receptive fields, and they also face challenges in establishing meaningful connections between features detected by different receptive fields. Thus, they fail to deal with small objects and maintain accurate boundaries, especially in some complex microsurgical scenarios.
METHODS: We propose a multi-scale feature extraction and fusion attentional Unet (MEFA-Unet) to address these limitations. This model employ
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.
Accurate diagnosis of adult Spirometra mansoni infections remains challenging, due to the limited sensitivity and high cost associated with immunodiagnostic methods. Advances in computer vision suggest deep learning-based etiological image analysis could overcome these limitations. A barrier persists, however, in current computational parasitology research: the shortage of available datasets for training convolutional neural networks (CNNs) in adult S. mansoni identification. We present a microscopic imaging dataset specifically optimized for developing and validating semantic segmentation CNN
СтатьяDatasetПолный 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 accurate segmentation and quantification of retinal fluid in Optical Coherence Tomography (OCT) images are crucial for the diagnosis and treatment of ophthalmic diseases such as age-related macular degeneration. However, the accurate segmentation of retinal fluid is challenging due to significant variations in the size, position, and shape of fluid, as well as their complex, curved boundaries. To address these challenges, we propose a novel multi-scale feature fusion attention network (FNeXter), based on ConvNeXt and Transformer, for OCT fluid segmentation. In FNeXter, we introduce a novel
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.
The tendency of skin diseases to manifest in a unique and yet similar appearance, absence of enough competent dermatologists, and urgency of diagnosis and classification on time and accurately, makes the need of machine aided diagnosis blatant. This study is conducted with the purpose of broadening the research in skin disease diagnosis with computer by traversing the capabilities of deep Learning algorithms to classify two skin diseases noticeably close in appearance, Psoriasis and Lichen Planus. The resemblance between these two skin diseases is striking, often resulting in their classificat
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.Deep learning is increasingly permeating neuroscience, leading to a rise in signal-processing applications for extracellular recordings. These signals capture the activity of small neuronal populations, necessitating 'spike sorting' to assign action potentials (spikes) to their underlying neurons. With the rise in publications delving into new methodologies and techniques for deep learning-based spike sorting, it is crucial to synthesise these findings critically. This survey provides an in-depth evaluation of the approaches, methodologies and outcomes presented in recent articles, s
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.
Time-lapse microscopy imaging is a crucial technique in biomedical studies for observing cellular behavior over time, providing essential data on cell numbers, sizes, shapes, and interactions. Manual analysis of hundreds or thousands of cells is impractical, necessitating the development of automated cell segmentation approaches. Traditional image processing methods have made significant progress in this area, but the advent of deep learning methods, particularly those using U-Net-based networks, has further enhanced performance in medical and microscopy image segmentation. However, challenges
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.
In medical image processing, semantic segmentation plays an important role since, in most applications, it is required to find the exact location of the anomaly. It is tough than the segmentation or classification task since in this task class-belongingness of each pixel is predicted. The presence of noise, and variations of viewpoint, shape, and size of cells make it more challenging. In this work, two novel Atrous Convolution-based Deep Semantic Segmentation Networks: ACDSSNet-I, ACDSSNet-II are proposed for more accurate Sickle Cell Anemia (SCA) detection, which can mitigate these issues. T
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2024eng
Standard diagnostic methods for evaluating the severity of brain injuries resulting from cardiac arrest, such as the Glasgow Coma Scale, exhibit subjective biases that lead to potentially fatal misclassifications, where life-support systems are prematurely withdrawn from patients who might otherwise recover. This study utilizes an open dataset from the International Cardiac Arrest Research Consortium to develop and evaluate a 3D convolutional neural network (CNN) model for classifying outcomes in comatose patients after cardiac arrest. The electroencephalographic (EEG) signals from the dataset
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.
Ovarian cysts pose significant health risks including torsion, infertility, and cancer, necessitating rapid and accurate diagnosis. Ultrasonography is commonly employed for screening, yet its effectiveness is hindered by challenges like weak contrast, speckle noise, and hazy boundaries in images. This study proposes an adaptive deep learning-based segmentation technique using a database of ovarian ultrasound cyst images. A Guided Trilateral Filter (GTF) is applied for noise reduction in pre-processing. Segmentation utilizes an Adaptive Convolutional Neural Network (AdaResU-net) for precise cys
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.
Pooling MRI data from multiple datasets requires harmonization to reduce undesired inter-site variabilities, while preserving effects of biological variables (or covariates). The popular harmonization approach ComBat uses a mixed effect regression framework that explicitly accounts for covariate distribution differences across datasets. There is also significant interest in developing harmonization approaches based on deep neural networks (DNNs), such as conditional variational autoencoder (cVAE). However, current DNN approaches do not explicitly account for covariate distribution differences
СтатьяПоддержка NIH: внешняя программаПоиск 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.
Radiologists utilize pictures from X-rays, magnetic resonance imaging, or computed tomography scans to diagnose bone cancer. Manual methods are labor-intensive and may need specialized knowledge. As a result, creating an automated process for distinguishing between malignant and healthy bone is essential. Bones that have cancer have a different texture than bones in unaffected areas. Diagnosing hematological illnesses relies on correct labeling and categorizing nucleated cells in the bone marrow. However, timely diagnosis and treatment are hampered by pathologists' need to identify specimens,
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.
Cardiovascular disease (CVD) is one of the leading causes of death worldwide. Heart sound classification plays a key role in the early detection of CVD. The difference between normal and abnormal heart sounds is not obvious. In this paper, in order to improve the accuracy of the heart sound classification model, we propose a heart sound feature extraction method based on bispectral analysis and combine it with convolutional neural network (CNN) to classify heart sounds. The model can effectively suppress Gaussian noise by using bispectral analysis and can effectively extract the features of he
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: Periventricular-intraventricular hemorrhage can lead to posthemorrhagic ventricular dilatation or even posthemorrhagic hydrocephalus if not detected promptly. Sequential cranial ultrasound scans are typically used for their diagnoses. Nonetheless, manual image audit has numerous disadvantages.
PURPOSE: This study aimed to develop a predictive model utilizing modified inception (MI) and high-level feature-guided attention (HFA) modules for predicting neonatal lateral ventricular dilation via ultrasound images.
METHODS: The MI modules reduced input data sizes and dimensions, while
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.
This research focuses on improving the detection and classification of brain tumors using a method called Brain Tumor Classification using Dual-Discriminator Conditional Generative Adversarial Network (DDCGAN) for MRI images. The proposed system is implemented in the MATLAB programming language. In this study, images of the brain are taken from a dataset and processed to remove noise and enhance image quality. The brain pictures are taken from Brats MRI image dataset. The images are preprocessed using Structural interval gradient filtering to remove noises and improve the quality of the image.
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.
Технологии глубокого обучения (DL) представляют собой быстро развивающуюся область в искусственном интеллекте, приобретая важное значение в деле обнаружения и анализа различных медицинских условий на основе анализа медицинских данных. В настоящем исследовании представлен систематический обзор литературы (SLR), посвященный методам глубокого изучения для обнаружения и анализа множественных склерозов (MS) с использованием магнитных резонансных изображений (MRI). В ходе первоначального поиска был выявлен 401 предмет, которые были тщательно проверены, что представляет собой выборку из 82 весьма важ
СтатьяСистематический обзорПоиск полного текста в очередиМашинный перевод · не проверен
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: Hemifacial microsomia (HFM) is one of the most common congenital craniofacial condition often accompanied by masseter muscle involvement. U-Net neural convolution network for masseter segmentation is expected to achieve an efficient evaluation of masseter muscle.
METHODS: A database was established with 108 patients with HFM from June 2012 to June 2019 in our center. Demographic data, OMENS classification, and 1-mm layer thick 3-dimensional computed tomography were included. Two radiologists manually segmented masseter muscles in a consensus reading as the ground truth. A test set
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: To determine if pelvic/ovarian and omental lesions of ovarian cancer can be reliably segmented on computed tomography (CT) using fully automated deep learning-based methods.
METHODS: A deep learning model for the two most common disease sites of high-grade serous ovarian cancer lesions (pelvis/ovaries and omentum) was developed and compared against the well-established "no-new-Net" framework and unrevised trainee radiologist segmentations. A total of 451 CT scans collected from four different institutions were used for training (n = 276), evaluation (n = 104) and testing (n = 71) of
СтатьяПоддержка исследования: вне правительства СШАПоддержка NIH: внешняя программаПоиск 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.
Deep learning neural networks (DLNN) in Artificial intelligence (AI) have been extensively explored for automatic segmentation in radiotherapy (RT). In contrast to traditional model-based methods, data-driven AI-based models for auto-segmentation have shown high accuracy in early studies in research settings and controlled environment (single institution). Vendor-provided commercial AI models are made available as part of the integrated treatment planning system (TPS) or as a stand-alone tool that provides streamlined workflow interacting with the main TPS. These commercial tools have drawn cl
СтатьяПоддержка NIH: внешняя программаПоиск 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 AIM: Discrimination of gastrointestinal tuberculosis (GITB) and Crohn's disease (CD) is difficult. Use of artificial intelligence (AI)-based technologies may help in discriminating these two entities.
METHODS: We conducted a systematic review on the use of AI for discrimination of GITB and CD. Electronic databases (PubMed and Embase) were searched on June 6, 2022, to identify relevant studies. We included any study reporting the use of clinical, endoscopic, and radiological information (textual or images) to discriminate GITB and CD using any AI technique. Quality of studies wa
СтатьяСистематический обзорПоиск 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