Successful translation of artificial intelligence (AI) models into clinical practice, across clinical domains, is frequently hindered by the lack of image quality control. Diagnostic models are often trained on images with no denotation of image quality in the training data; this, in turn, can lead to misclassifications by these models when implemented in the clinical setting. In the case of cervical images, quality classification is a crucial task to ensure accurate detection of precancerous lesions or cancer; this is true for both gynecologic-oncologists' (manual) and diagnostic AI models' (
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.
Artificial intelligence (AI) technology in pathology has been utilized in many areas and requires supervised machine learning. Notably, the annotations that define the ground truth for the identification of different confusing process pathologies, vary from study to study. In this study, we present our findings in the detection of invasive breast cancer for the IHC/ISH assessment system, along with the automated analysis of each tissue layer, cancer type, etc. in colorectal specimens. Additionally, models for the detection of atypical and typical mitosis in several organs were developed using
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.
As low-field MRI technology is being disseminated into clinical settings around the world, it is important to assess the image quality required to properly diagnose and treat a given disease and evaluate the role of machine learning algorithms, such as deep learning, in the enhancement of lower quality images. In this post hoc analysis of an ongoing randomized clinical trial, we assessed the diagnostic utility of reduced-quality and deep learning enhanced images for hydrocephalus treatment planning. CT images of post-infectious infant hydrocephalus were degraded in terms of spatial resolution,
СтатьяРандомизированное исследованиеПоддержка 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.
We propose methods to perform automatic identification of the rib structure, the vertebral column, and the spinal canal in computed tomographic (CT) images of pediatric patients. The segmentation processes for the rib structure and the vertebral column are initiated using multilevel thresholding and the results are refined using morphological image processing techniques with features based on radiological and anatomical prior knowledge. The Hough transform for the detection of circles is applied to a cropped edge map that includes the thoracic vertebral structure. The centers of the detected c
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 authors relate a clinical and radiological (X Ray and TDM tridimensional) study with an anthropological (dry skulls) study of plagiocephaly. The aim is to find with the aid of a physical examination, some anatomic parameters which permit to differentiate cranial asymmetry with coronal premature synostotic suture from functional deformation with extracranial outset. The term plagiocephaly is used to define forehead asymmetry. It is necessary to study orbital rim, nasal root, malar eminence, ear and chin mid point position. The morphology of the skull is important to look: frontal flattering
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.
BACKGROUND AND OBJECTIVE: Multiple Sclerosis (MS) is a chronic degenerative disorder that significantly affects the quality of life of patients. Magnetic Resonance Imaging (MRI) has become essential for diagnosis, monitoring, and treatment planning. However, variability in data acquisition and interpretation limits reproducibility. This study aims to design a standardized pipeline that integrates Artificial Intelligence (AI) and radiomics to improve precision, reproducibility, and clinical utility in the evaluation of MS.
METHODS: We propose a pipeline that incorporates preprocessing to harmo
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.
Medical images have become indispensable for decision-making and significantly affect treatment planning. However, increasing medical imaging has widened the gap between medical images and available radiologists, leading to delays and diagnosis errors. Recent studies highlight the potential of deep learning (DL) in medical image diagnosis. However, their reliance on labelled data limits their applicability in various clinical settings. As a result, recent studies explore the role of self-supervised learning to overcome these challenges. Our study aims to address these challenges by examining 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.
BACKGROUND: Lacunes, which are small fluid-filled cavities in the brain, are signs of cerebral small vessel disease and have been clinically associated with various neurodegenerative and cerebrovascular diseases. Hence, accurate detection of lacunes is crucial and is one of the initial steps for the precise diagnosis of these diseases. However, developing a robust and consistently reliable method for detecting lacunes is challenging because of the heterogeneity in their appearance, contrast, shape, and size.
METHOD: In this study, we propose a lacune detection method using the Segment Anythin
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.
Punctate white matter lesions (PWML) are the most common white matter injuries found in preterm neonates, with several studies indicating a connection between these lesions and negative long-term outcomes. Automated detection of PWML through ultrasound (US) imaging could assist doctors in diagnosis more effectively and at a lower cost than MRI. However, this task is highly challenging because of the lesions' small size and low contrast, and the number of lesions can vary significantly between subjects. In this work, we propose a two-phase approach: (1) Segmentation using a vision transformer t
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.
Prostate MRI has transformed lesion detection and risk stratification in prostate cancer, but its impact is constrained by the high cost of the exam, variability in interpretation, and limited scalability. False negatives, false positives, and moderate inter-reader agreement undermine reliability, while long acquisition times restrict throughput. Artificial intelligence (AI) offers potential solutions to address many of the limitations of prostate MRI in the clinical management pathway. Machine learning-based triage can refine patient selection to optimize resources. Deep learning reconstructi
СтатьяОбзорПолный 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 that deep learning has achieved state-of-the-art performance for automatic medical image segmentation, it often requires a large amount of pixel-level manual annotations for training. Obtaining these high-quality annotations is time-consuming and requires specialized knowledge, which hinders the widespread application that relies on such annotations to train a model with good segmentation performance. Using scribble annotations can substantially reduce the annotation cost, but often leads to poor segmentation performance due to insufficient supervision. In this work, we propose a novel
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.
Cervical cancer is the fourth most common disease among women worldwide, and pap smear images are used as a primary diagnostic technique to detect precancerous and cancerous abnormalities in the cervix, vagina, and vulva. Deep learning algorithms have gained popularity in developing automated computer-aided diagnostic systems to solve the difficulties associated with manual assessment. This article introduces an innovative hybrid approach to effectively and accurately categorizing cervical cells. The proposed model employs advanced data enhancement techniques, including resampling to address c
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.
Deformable image registration (DIR) proves critical to many medical image analysis tasks, yet its reliable evaluation is fundamentally challenged by the absence of ground-truth deformations. Existing label-based metrics require costly manual annotations, while current label-free alternatives often fail to capture anatomical correspondence. To address this dilemma, we introduce Contrastive Discrepancy (CD), a novel label-free metric for robust evaluation and automatic hyperparameter tuning without requiring manual annotations in DIR. Grounded in bias-variance trade-off theory and group equivari
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: Brain tumor classification using magnetic resonance imaging (MRI) is important for computer-aided medical image analysis. However, different brain tumor types may exhibit highly similar grayscale patterns, textures, and boundaries. Conventional convolutional neural networks rely primarily on spatial-domain convolution and do not explicitly model frequency-domain information. Moreover, high-frequency details, such as edges and textures, are often weakened by multi-stage downsampling, while interaction between spatial- and frequency-domain features remains limited. Consequently, fi
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.
BackgroundIn this research, we explore the application of Convolutional Neural Networks (CNNs) for the development of an automated cancer detection system, particularly for MRI images. By leveraging deep learning and image processing techniques, we aim to build a system that can accurately detect and classify tumors in medical images. The system's performance depends on several stages, including image enhancement, segmentation, data augmentation, feature extraction, and classification. Through these stages, CNNs can be effectively trained to detect tumors in MRI images with high accuracy. This
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.
OBJECTIVE: The objective of this study is to develop a more effective early detection system for Alzheimer's disease (AD) using a Deep Residual Network (ResNet) model by addressing the issue of convolutional layers in conventional Convolutional Neural Networks (CNN) and applying image preprocessing techniques.
METHODS: The proposed method involves using Contrast Limited Adaptive Histogram Equalizer (CLAHE) and Boosted Anisotropic Diffusion Filters (BADF) for equalization and noise removal and K-means clustering for segmentation. A ResNet-50 model with shortcut links between three residual lay
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.
Medical Mixed Reality (MR) has made significant progress in virtual surgery simulation and tumor teaching. This paper proposes a framework for pulmonary nodule attribute editing based on image feature consistency, achieving spatial alignment of multi-stage case data. To address the limitations of traditional time-image reconstruction, we design an adversarial siamese model architecture capable of synthesizing missing nodule images, completing temporal data, and fine-grained modeling of nodule growth. To tackle challenges such as deformation, background inconsistency, and attribute uncertainty
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.
Diabetic Retinopathy (DR) causes abrasions of the retina in humans of various types. These abrasions cause vision loss, and in extreme cases, DR can cause blindness. Due to the lack of resources and expert opinion, the manual method of diagnosing DR is unreliable for timely treatment, and it takes a long time to overcome this issue. In this paper, Detection and Classification of DR in Retinal Fundus Images using Deep Spiking Q Network Optimized with Partial Reinforcement Optimizer (DCDR-RFI-DSQN-PRO) is proposed. Here, the input images are taken from Eye PACS fundus image (EPFI) dataset. The c
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 stands as a leading cause of blindness among people. Manual examination of DR images is labor-intensive and prone to error. Existing methods to detect this disease often rely on handcrafted features which limit the adaptability and classification accuracy. Thus, the aim of this research is to develop an automated and efficient system for early detection and accurate grading of diabetic retinopathy severity with less time consumption. In our research, we have developed a deep neural network named RSG-Net (Retinopathy Severity Grading) to classify DR into 4 stages (multi-cla
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.
Age-related macular degeneration (AMD) is a common cause of vision loss in older adults. The automated grading of AMD from fundus images can aid in early detection and treatment. In this research, we propose a comprehensive framework that can enhance the quality of fundus images and increase automated grading accuracy. We employ preprocessing techniques such as the Adaptive Contrast Enhancement Algorithm (CLAHE) and Gamma correction to improve image quality and feature representation. Additionally, we suggest a hybrid feature selection approach that combines handcrafted and deep learning-based
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.
MedElevator
Войти в исследования