This paper presents a comprehensive study of poliomyelitis transmission dynamics using two fractional-order models that incorporate the Atangana--Baleanu derivatives in the Caputo sense (ABC). The model includes critical epidemiological features, including vaccination and a post-paralytic population class. By utilizing the Mittag-Leffler kernel, the fractional framework captures memory and hereditary properties in disease progression. The existence and uniqueness of the model's solution are established using fixed-point theory. To assess the model's robustness, Ulam-Hyers stability analysis is
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 reformations of the electrical power sector have resulted in very dynamic and competitive market that has changed many elements of the power industry. Excessive demand of energy, depleting the fossil fuel reserves of planet and releasing the toxic air pollutant, has been causing harm to earth habitats. In this new situation, insufficiency of energy supplies, rising power generating costs, high capital cost of renewable energy equipment, environmental concerns of wind power turbines, and ever-increasing demand for electrical energy need efficient economic dispatch. The objective function in
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.
Several crucial system design and deployment decisions, including workload management, sizing, capacity planning, and dynamic rule generation in dynamic systems such as computers, depend on predictive analysis of resource consumption. An analysis of the computer components' utilizations and their workloads is the best way to assess the performance of the computer's state. Especially, analyzing the particular or whole influence of components on another component gives more reliable information about the state of computer systems. There are many evaluation techniques proposed by researchers. The
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 OBJECTIVES: The vast size of the histopathology whole slide image poses formidable challenges to its automatic diagnosis. With the goal of computer-aided diagnosis and the insights that suspicious regions are generally easy to identify in thyroid whole slide images (WSIs), we develop an interactive whole slide diagnostic system for thyroid frozen sections based on the suspicious regions preselected by pathologists.
METHODS: We propose to generate feature representations for the suspicious regions via extracting and fusing patch features using deep neural networks. We then evalu
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.
Over the past decade, deep learning has led to disruptive advancements with key applications in computer vision, natural language processing, and predictive analytics. With the increasing prevalence and adoption of deep learning algorithms, the quest for hardware solutions that can efficiently process data in real time with high speeds and low latencies has come to the forefront of research. On-chip photonic neural networks offer a promising platform that leverage high bandwidths and low propagation losses associated with light to perform analog deep learning computations. However, nanophotoni
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.
While convolutional neural networks (CNNs) and vision transformers (ViTs) have advanced medical image segmentation, they face inherent limitations such as local receptive fields in CNNs and high computational complexity in ViTs. This paper introduces Deconver, a novel network that integrates traditional deconvolution techniques from image restoration as a core learnable component within a U-shaped architecture. Deconver replaces computationally expensive attention mechanisms with efficient nonnegative deconvolution (NDC) operations, enabling the restoration of high-frequency details while supp
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.
The StitchNet framework introduced a paradigm shift in Neural Architecture Search (NAS) by proposing the construction of neural networks from pre-trained fragments. This approach reduces computational costs and enables task-specific model creation without retraining entire networks. Building on this foundation, our study evaluates the practical application of StitchNet in constructing neural networks tailored to medical image classification tasks. Specifically, we assess its performance on a dataset of retinal images classified into three categories: healthy, dry, and wet AMD (Age-Related Macu
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.
BACKGROUNDS: Colonoscopy plays a crucial role in preventing the malignant transformation of colorectal polyps, with early diagnosis and detection of colorectal cancer being effective approaches to reducing incidence and mortality rates among patients. With the rise of neural networks, research on computer-aided detection of colorectal polyps has garnered increasing attention. However, existing computer-aided diagnostic systems are constrained by insufficient training sample sizes, making it difficult to train high-performance systems.
METHODS: This paper proposes the Y-Polyp model for colorec
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.
Fish species recognition is essential for ecological studies, fishery management, and marine biology. Accurate detection and categorization are critical for preserving biodiversity, allowing scientists to track species distribution, identify invasive species, and analyze the effects of environmental changes. The fish sector is essential to any country's food and agriculture. Identification of species by the morphology process is both inaccurate and costly. However, the manual process of measuring important details like species identification, length, and quantity is difficult to capture, which
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.
To address the issues of low perception accuracy and poor robustness in traditional motion recognition methods within complex walking environments for visually impaired individuals, this study utilizes multi-modal data, including ECG, PPG, and IMU, for classification. Regarding the low filtering efficiency of multi-modal data, an improved wavelet filtering algorithm based on LSTM is proposed. To further enhance classification accuracy, this paper introduces a motion recognition method for the blindfolded mobility simulation based on an Attention-based Two-Stream Deep Fusion Convolutional Neura
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.
Transformer-based deep learning architectures have achieved notable success across various medical image analysis tasks, driven by the global modeling capabilities of the self-attention mechanism. However, Transformer-based methods exhibit significant computational complexity and a large number of parameters, rendering them challenging to apply effectively in practical medical scenarios. Compared with Transformers, large-kernel Convolutional Neural Networks (CNNs) and Multi-Layer Perceptrons (MLPs) offer more efficient inference while retaining global contextual awareness. Therefore, we rethin
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.
White matter hyperintensities (WMHs) are common radiological findings in brain magnetic resonance imaging (MRI) and are strongly associated with neurological disorders such as stroke, dementia, and multiple sclerosis. Accurate detection and segmentation of WMHs are crucial for early diagnosis, disease progression analysis, and treatment planning. However, manual delineation of WMHs is labour-intensive, time-consuming, and prone to inter-observer variability, which limits its practicality in large-scale clinical and research settings. Deep learning has shown promise in automating WMH analysis;
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.
Functional near-infrared spectroscopy (fNIRS) is a non-invasive brain imaging method that detects neural activity by monitoring blood oxygen levels and circulation changes in the brain. Some current fNIRS classification models are simply adapted from deep learning models such as Transformer and fail to effectively leverage both temporal and spatial information from fNIRS. In this paper, we develop a hybrid deep learning model for fNIRS classification, fusing spatial convolutional neural network (CNN), a temporal CNN, and Transformer, named as fNIRS-STCT. Primarily, the architecture employs dua
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, non-destructive, and interpretable methods for detecting hierarchical adulteration in powdered herbal medicines are essential for stringent quality control. This study introduces a dual-attention Learnable Spectral Mask Convolutional Neural Network (DLSM-CNN) to simultaneously identify adulterant type and quantify their concentration in Fritillaria powder. Near-infrared hyperspectral images (945-1620 nm) were acquired, yielding a massive dataset of 39,600 independent superpixel spectral samples derived from 33 physical powder samples. These encompassed both inter-species foreign matt
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.
The reliable deployment of artificial intelligence systems in medical imaging requires high diagnostic performance, robustness and interpretability. In this study, we developed and evaluated two automated frameworks for binary classification of shoulder radiographs (XRs) using deep learning (DL) and hybrid DL-machine learning (ML) approaches. A convolutional neural network (CNN) based on a fine-tuned VGG19 architecture was trained end-to-end on a large, balanced dataset of 4,268 shoulder XRs. In parallel, hybrid models were constructed by extracting deep feature representations from the traine
СтатьяМногоцентровое исследованиеПоиск 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.
Vibrational spectroscopy has gained significant attention in medical diagnosis due to its high sensitivity and nondestructive nature. Raman spectroscopy and infrared spectroscopy complement each other in their selection rules, vibration responses, and wavenumber coverage. Combining these two techniques can overcome the limitations of individual spectra, enhancing the accuracy of molecular structure identification. However, existing deep learning fusion methods often overlook the diagnostic advantages of different modalities, leading to overreliance on strong modalities or interference from wea
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.
Dementia typically results from damage to neural pathways and the consequent degeneration of neuronal connections. Graph neural networks (GNNs) have been widely employed to model complex brain networks. However, leveraging the complementary temporal, spatial, and spectral features for diagnosing neurocognitive disorders remains challenging. To address this issue, we propose a Bi-path Multi-scale Graph Neural Network (Bi-MCGNN), which integrates two paths : one focusing on time and spatial relationships, and the other on spatial and frequency patterns. By unifying these pathways, Bi-MCGNN integ
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: Periodontitis is a chronic inflammatory disease that occurs when the body's immune system fails to respond properly to microbial biofilms. Peptides exhibiting anti-inflammatory and immunomodulatory properties are promising as biomarkers and therapeutic agents; however, identifying functional peptide signatures remains a significant challenge due to sequence variability and limited data availability. The aim of this study was to develop a graph-contrastive convolutional neural network (GCCNN) framework for accurately categorizing periodontitis-related peptides into immunomodulator
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.
Parkinson's disease (PD) is a neurodegenerative disorder that leads to a decline in functions that are directly related to quality of life, and it is vital to detect PD in the early stages. Currently, the diagnosis of PD relies on comprehensive assessment of medical history and clinical examination. However, it is difficult to capture short-term variations in the patient's disability level during medical visitations, especially in its early stage. In this study we explore the feasibility of PD detection using a CNN model and a bicycle mounted on a specially designed bicycle platform. The bicyc
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.
BACKGROUND: Alzheimer's disease (AD) and mild cognitive impairment (MCI) pose significant challenges to public health and underscore the need for accurate and early diagnostic tools. Structural magnetic resonance imaging (sMRI) combined with advanced analytical techniques like convolutional neural networks (CNNs) seemed to offer a promising avenue for the diagnosis of these conditions. This systematic review and meta-analysis aimed to evaluate the diagnostic performance of CNN algorithms applied to sMRI data in differentiating between AD, MCI, and normal cognition (NC).
METHODS: Following the
СтатьяСистематический обзорМетаанализПоиск 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