We can learn from the wisdom of others to maximize success. However, it is unclear how humans take advice to flexibly adapt behavior. On the basis of data from neuroanatomy, neurophysiology, and neuroimaging, a biologically plausible model is developed to illustrate the neural mechanisms of learning from instructions. The model consists of two complementary learning pathways. The slow-learning parietal pathway carries out simple or habitual stimulus-response (S-R) mappings, whereas the fast-learning hippocampal pathway implements novel S-R rules. Specifically, the hippocampus can rapidly encod
Сравнительное исследованиеСтатьяПоддержка NIH: внешняя программаПоддержка исследования: вне правительства СШАПоддержка 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: Magnetic particle imaging (MPI) is an emerging molecular imaging modality known for its high sensitivity and long-term tracking. System matrix (SM)-based image reconstruction is one of the most important reconstruction methods for MPI. However, MPI reconstruction based on the measured SM is limited by the requirement of voxel-stepwise precise calibration of system function within the field of view (FOV), which is time-consuming and noise-prone. Additionally, any changes in system properties require recalibrating the SM. This hinders the clinical translation and practical applicatio
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.
Retinal disease diagnosis is vital in ophthalmology, particularly for the early detection of various conditions to prevent vision impairment. Traditional models often focus on single-disease classification, overlooking the complexity of multiple co-existing retinal diseases and their interrelated features. In this work, we propose a novel Multi-Resolution Hypergraph Vision Transformer (MR-HGViT) framework for multi-label retinal disease classification and lesion characterization. Our approach constructs multi-resolution hypergraphs to capture both global anatomical structures and fine-grained
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.
Objective.Personality recognition holds significant potential in fields such as clinical psychology and human-computer interaction. Despite the promising performance of electroencephalography (EEG)-based personality recognition, its advancement is still limited by insufficient exploitation of the intrinsic spatial topology and ineffective multi-dimensional feature fusion of EEG signals. To overcome these challenges, this paper proposes an adaptive inter-channel relation guided feature fusion network (CRGFFNet) comprising two innovative integrated components. The spatial proximal-channel-reorde
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.
A cornerstone of our understanding of both biological and artificial neural networks is that they store information in the strengths of synaptic connections among the neurons. However, in contrast to the well-established theory for quantifying information encoded by the firing activity of neural networks, there does not exist a framework for quantifying information stored in the distribution of synaptic connection weights. Here, we develop a theoretical framework for synaptic information, by using densely connected Hebbian networks performing autoassociative memory tasks as the substrate, and
СтатьяПоддержка NIH: внешняя программаПоддержка исследования: вне правительства СШАПолный 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.
Diagnosing myeloproliferative neoplasms (MPNs) is challenging because of the nuanced and overlapping clinical manifestations of the various subtypes. Precise classification is essential for effective treatment and management of these disorders. This study introduces a novel Dual-Stream Deep Feature and Cell Phenotype Fusion Model (DS-DFCPF) to improve the diagnosis of MPNs. The model integrates deep learning features from whole-slide images with detailed phenotypic data extracted from cellular components, particularly megakaryocytes, which are pivotal in MPN pathology. The DS-DFCPF uses a bifu
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 AND OBJECTIVE: Epilepsy is a common neurological disorder characterized by recurrent seizures that substantially affect patients' quality of life. Electroencephalography (EEG) is crucial for monitoring brain activity, but traditional spectrogram-based methods often fail to highlight critical frequency bands or capture long-term temporal dynamics. To tackle these challenges, we propose the Epileptic Spectrogram to State-Space (Epi-Spec2State), a convolutional state space model via spectrogram image sequences for prediction-oriented seizure state classification.
METHODS: This study e
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.
Alzheimer's disease is a progressive neurodegenerative disorder that severely impacts cognitive functions. Early and accurate detection of Alzheimer's disease is significant to improve patient outcomes. However, the conventional model is difficult to capture the structural abnormalities and long-range inter-regional dependencies from the medical images, while maintaining computational efficiency. To address these challenges, this research implements a novel SwinRes Transformer model to detect Alzheimer's disease accurately. The Dilated InceptionV3 framework is employed to extract the features
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.
Accurate forecasting of viral disease outbreaks is crucial for guiding public health responses and preventing widespread loss of life. Recently, Physics-Informed Neural Networks (PINNs) have emerged as a promising framework for capturing viral infection dynamics and predicting their future progression. Standard PINNs are effective in simulating disease dynamics through forward modeling approach; however, they often face challenges in estimating key biological parameters from sparse or noisy data in inverse problems. To overcome these limitations, a recent extension, known as Disease-Informed N
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 order to promote early diagnosis and lessen the workload of doctors during endoscopic and capsule endoscopy tests, automated analysis of gastrointestinal (GI) images is essential. However, current deep learning techniques frequently fail to simultaneously capture long-range contextual information and fine-grained local patterns, especially in large-scale and highly imbalanced datasets. We suggest LightGastroFormer, a lightweight transformer-based architecture intended for reliable and effective GI disease categorization, as a solution to these problems.The suggested model combines a gated f
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.
Reliable estimation of humanoid robot body configuration from monocular RGB frames is useful for external monitoring in traffic, logistics, and service-robotics environments. However, direct transfer of human pose models is challenged by differences in body proportions, rigid surface appearance, joint morphology, and local texture, while robot-specific annotated data are often limited. This study presents a detection-guided framework for full-body 2D keypoint estimation from monocular video frames. A robot-specific detector first localises the target, and the detected box is expanded and norma
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: Road traffic injury is a significant global health challenge, and timely available data are significant to monitor this trend. We aimed to develop a cost-effective approach in resource-limited settings to estimate the number of road traffic crashes at the national level by utilizing media-reported data.
METHODS: Media-reported data about road traffic crashes were extracted from the Automated Road Traffic Crash Data Platform (ARTCDP) and augmented based on the available police reports with limited free-access. Besides, crash data were approximated according to the national disease
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 enhances quantitative analysis of blood vessels in whole-slide images (WSIs), leading to precise and reliable counting. However, counting vessels in lymph nodes-which contain distinctive high endothelial venules (HEVs)-has not been systematically evaluated. Artificial intelligence (AI) approaches to vessel-counting fall into two categories: semantic segmentation, which provides a continuous mask, and instance segmentation, which treats each vessel as a separate object; prior work has emphasized the former. To address this gap, we adopted an instance-level approach to detect and 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.
In the human brain, dendrites exhibit nonlinear integration and sparse parallel processing capabilities, which can effectively perform visual tasks by integrating only a small subset of neuronal signals and play a crucial role in high-level information inference. However, conventional neuromorphic devices often ignore these important properties and require all neurons to perceive complete information. This makes it difficult to effectively replicate the efficient spatiotemporal processing capabilities of biological neuron dendrites. In this study, we present an artificial neuron dendrite array
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.
Automated image captioning remains a challenge, as it enables machines to generate context-aware textual descriptions of visual content. Traditional deep learning approaches often rely on lexical overlap and fail to capture semantic relationships among objects, leading to captions that lack contextual richness. This study proposes an encoder-decoder framework that integrates YOLOv5 with a generative transformer to generate descriptive image captions. The proposed model was evaluated against two baselines: CNN-LSTM (M1) and a BERT-based transformer model (M2). M1 achieves BLEU-1 (0.45) and ROUG
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.
Breast cancer remains one of the leading malignancies globally, and accurate diagnostic decisions at the early stages of the disease can significantly improve patient prognosis. This paper introduces a new ensemble deep learning framework, combining three specific attention mechanisms tailored to the breast pathology domain, namely, Multi-Scale Channel Attention (MSCA), Spatial-Morphological Attention (SMA), and Hierarchical Dual Attention (HDA). Unlike generic SENet and CBAM mechanisms, these modules are specifically designed for breast pathology: MSCA captures nuclear-level channel statistic
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 AND OBJECTIVE: Worldwide, over 50 million people suffer from epilepsy, a neurological disorder characterised by recurrent seizures due to abnormal electrical activity in the brain. These occur as a result of sudden electric surges and the symptoms vary based on the region of the brain being affected, including brief staring spells and confusion to convulsions and loss of consciousness. Physicians typically classify seizures into four main phases: Interictal, Preictal, Ictal, and Postictal. Accurate analysis of EEG signals around seizure onset is extremely critical for timely clinica
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.
Early and accurate detection of apple leaf diseases is critical for sustainable agriculture, yet manual diagnosis remains time-consuming and error-prone. This study introduces a novel deep learning framework centered on a custom ContinuousLayer, a spatially adaptive convolutional layer designed to overcome the limitations of standard CNNs. This architecture automates the classification of apple leaf diseases Black rot, rust, scab, and healthy leaves with high precision. The model addresses dataset imbalance through strategic resampling, achieving uniform class distribution. The ContinuousLayer
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.
Chromosome image classification typically relies on ImageNet pre-training, yet the potential of leveraging intermediate domains from related staining techniques remains largely underexplored. Here, we evaluate two-step transfer learning-where classifiers are first fine-tuned on an intermediate domain before targeting the final classification task-across Q-band (BioImLab dataset) and G-band (CIR dataset) chromosome classification. Each dataset serves as intermediate domain for the other. Across 11 architecture families and three training approaches, models achieve improvements when domain simil
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.
Existing seizure detection methods cannot fully exploit the spatiotemporal features of multimodal signals. They also fail to capture deep associations among cross-modal features. This limits their ability to learn unified representations of spatiotemporal dependencies. This work proposes CMEpiNet (Complex-valued Multimodal Epilepsy detection Network model) to address this issue. CMEpiNet first uses complex-valued convolutions for feature extraction. It explicitly models phase synchronization, phase shifts, and cross-frequency coupling. Thus, EEG, ECG, and EMG features are represented in the co
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.
MedElevator
Войти в исследования