Cardiac Magnetic Resonance (CMR) imaging is widely used to personalize heart models for cardiac digital twin analysis because of its ability to visualize soft tissues and capture dynamic functions. However, CMR images have an anisotropic nature, characterized by large inter-slice distances and misalignments from cardiac motion. These limitations result in data loss and measurement inaccuracies, hindering the capture of detailed anatomical structures. In this work, we introduce MorphiNet, a novel network that reproduces heart anatomy learned from high-resolution Computed Tomography (CT) images,
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.
ABSTRACT: Analysis of immunofluorescent images can be time-consuming and observer-dependant. We aimed to develop a standardised method for analysing immunofluorescent images of human and mouse testicular tissues using an existing software package. We used QuPath to train and apply an artificial neural network with multilayer perception (ANN-MLP) on images. We were able to automate the segmentation of cells in regions of interest (ROIs) using both StarDist (a convolution neural network) and Watershed image transformation. Segmented cells were classified using QuPath object classification system
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 multi-label retinal disease classification is a difficult one since fundus images might comprise many co-occurring abnormalities, extreme in relation to the class, as well as significant lesion appearance variation. In order to deal with this issue, this paper suggests a combined deep learning architecture to diagnose retinal diseases automatically with the help of the MuReD dataset, which includes 2208 fundus images that were gathered at ARIA, STARE, and RFMiD and reformulated with 19 retinal disease labels, excluding the non-diagnostic category of OTHERS. The proposed model is based on a
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.
Soil-transmitted helminth (STH) infections are exceedingly common, estimated to afflict 1.5 billion individuals worldwide, or 24% of the total population. The aim of this work is to model the transmission dynamics of soil-transmitted helminth (STH) infections using fractional-order calculus integrated with machine learning to enhance prediction accuracy and control strategies. Specific fundamental characteristics like the non-negativity of solutions and the invariant region within where the model equations hold epidemiological significance. Equilibrium points and basic reproductive number are
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.
Segmenting brain tumors from MRI scans is a challenging aspect of medical image analysis because of anatomical complexity, ambiguous tumor boundaries, and variability of shape. In this paper, we propose W-AGRU-Net, a new dual-stream U-Net framework that combines W-Attention mechanisms with residual connections for strong and accurate glioma segmentation. Our framework uses two asymmetric streams that have pyramid-shaped dilated convolution schemes (PDCS) for hierarchical multi-scale context capturing. The framework also includes residual units that utilize Squeeze-and-Excitation (SE) blocks fo
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 differences between cross-modality medical images are significant, so several studies are working on unsupervised domain adaptation (UDA) segmentation, which aims to adapt a segmentation model trained on a labeled source domain to an unlabeled target domain. The conventional UDA segmentation strategy aims to integrate image generation and segmentation. However, conventional image generation modules only consider information from a single domain (source or target), resulting in visual inconsistencies. The image generation module may also lack anatomical constraints, leading to incorrect pse
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: Artificial intelligence (AI) and various subunits of AI such as artificial neural networks (ANN), Convolutional neural networks (CNNs), machine learning (ML), deep learning (DL) and deep neural networks (DNN) are being tried to diagnose and plan treatment for periodontal diseases.
AIM: This narrative review aims to discuss the current evidence on the applications of AI for the diagnosis and risk prediction of periodontal/peri-implant diseases.
METHOD: A search strategy with the following keywords: (Artificial intelligence [MeSH Terms]) AND (Periodontal disease [MeSH Terms]) was u
СтатьяОбзорПоиск 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.
UNLABELLED: Processing large datasets using artificial intelligence is a promising approach in disease diagnosis and monitoring that focuses on improving research algorithms for existing technologies. Interest in studying corneal nerve fibers (CNFs) arises not only from the need to understand the pathogenesis and progression of various ocular diseases but also from the potential for thin, unmyelinated corneal nerves to be used as biomarkers for systemic polyneuropathies.
PURPOSE: This study evaluates the preliminary results of using a neural network-based algorithm for analysis of confocal im
Аннотация на английскомСтатьяПоиск полного текста в очередиОригинал на русском
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.
Brain tissue and tumor extraction plays a pivotal role in medical care and clinical research. Leveraging the diverse and complementary information provided by different imaging modalities is crucial to the success of these applications. However, existing deep learning-based methods exhibit limitations in two major aspects. First, they ignore the incorporation of task-oriented regularization when fusing multi-modal features, leading to suboptimal latent space learning. Second, these methods tend to overlook the explicit modeling and exploitation of prediction uncertainty, despite the strong cor
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 (AD) is a neurodegenerative disorder that affects memory and cognitive functions. Manual diagnosis is prone to human error, often leading to misdiagnosis or delayed detection. MRI techniques help visualize the fine tissues of the brain cells, indicating the stage of disease progression. Artificial intelligence techniques analyze MRI with high accuracy and extract subtle features that are difficult to diagnose manually. In this study, a modern methodology was designed that combines the power of CNN models (ResNet101 and GoogLeNet) to extract local deep features and the power
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: In diabetic retinopathy, precise segmentation of retinal vessels is essential for accurate diagnosis and effective disease management. This task is particularly challenging due to the varying sizes of vessels, their bifurcations, and the presence of highly curved segments. While numerous automated segmentation techniques have demonstrated strong performance, deep neural networks have struggled to effectively model the geometric transformations of retinal vessels without extensive training datasets. Moreover, the inconsistent quality of fundus photographs often results in less than
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 R-peak detection in electrocardiogram (ECG) signals represents a fundamental prerequisite for cardiac rhythm analysis and arrhythmia diagnosis. Traditional signal processing approaches demonstrate limited robustness when confronted with noise artifacts, baseline drift, and morphological variations commonly encountered in clinical recordings. This study introduces a novel deep residual U-Net (ResU-Net) architecture specifically designed for robust R-peak detection in noisy ECG signals, addressing the critical challenge of maintaining high detection accuracy across diverse noise conditi
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.
Traditional diagnostic methods for Alzheimer's disease often suffer from low accuracy and lengthy processing times, delaying crucial interventions and patient care. Deep convolutional neural networks trained on MRI data can enhance diagnostic precision. This study aims to utilize deep convolutional neural networks (CNNs) trained on MRI data for Alzheimer's disease diagnosis and classification. In this study, the Alzheimer MRI Preprocessed Dataset was used, which includes 6735 brain structural MRI scan images. After data preprocessing and normalization, four models Xception, VGG19, VGG16 and 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.
This paper investigates the feasibility of diagnosing abdominal aortic aneurysm (AAA) via deep learning (DL)-enabled analysis of non-invasive arterial pulse waveform signals. We generated arterial blood pressure (BP) and pulse volume recording (PVR) waveform signals across a diverse synthetic patient cohort using a systemic arterial circulation model coupled with a viscoelastic model relating arterial BP to PVR while simulating a range of AAA severity levels. We confirmed the plausibility of the synthetic data by comparing the alterations in the simulated waveform signals due to AAA against pr
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 (AD) is a progressive neurological disorder that causes brain cell degeneration and leads to dementia. Early and accurate detection of AD is crucial, as it allows timely treatment before the brain suffers permanent damage. In recent years, computer-aided methods using Artificial Intelligence (AI) have shown promise in improving the diagnosis of AD, healthy cognition (HC), and other types of dementia. However, distinguishing between AD and HC using Electroencephalography (EEG) signals remains challenging, mainly due to difficulties in identifying meaningful features from the
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.
Alzheimer's Disease (AD) is a very common neurodegenerative disorders and early detection using electroencephalography (EEG) can enable timely intervention, however, existing computational models often lack robustness, interpretability, and clinical scalability. This study proposes NeuroFusionNet, a hybrid deep learning framework for accurate, explainable, and efficient EEG-based classification of Alzheimer's Disease and related dementias. The model fuses handcrafted spectral, statistical, wavelet, and entropy features with latent temporal embeddings extracted from a customized one-dimensional
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 multi-center neuroimaging studies, the technical variability caused by the batch differences could hinder the ability to aggregate data across sites, and negatively impact the reliability of study-level results. Recent efforts in neuroimaging harmonization have aimed to minimize these technical gaps and reduce technical variability across batches. While Generative Adversarial Networks (GAN) has been a prominent method for addressing harmonization tasks, GAN-harmonized images suffer from artifacts or anatomical distortions. Given the advancements of denoising diffusion probabilistic model wh
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.
Cardiovascular diseases (CVDs) are a leading cause of global mortality, necessitating early and accurate detection to improve patient outcomes. Electrocardiography (ECG) is a fundamental diagnostic tool for identifying cardiac abnormalities; however, traditional methods rely on manual interpretation and conventional machine learning (ML) models, which often struggle with feature extraction and long-range dependencies. Recent advancements in deep learning (DL) have led to the adoption of transformer-based architectures for ECG classification. In this study, we propose the Swin Transformer a hie
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.
Monitoring of cardiac output (CO) is a mainstay of hemodynamic management in the acutely or critically ill patient. Invasive determination of CO using thermodilution, albeit regarded as the gold standard, is cumbersome and bears risks inherent to catheterization. In the pursuit of noninvasive methods, prediction of CO from arterial pressure waveforms (even uncalibrated) through AI has garnered increased attention. In the current study we investigate the effect of peripheral blood pressure measurements' (i) location, (ii) calibration and (iii) injected additive noise on the performance of AI-ba
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
In recent times, deep learning extensively utilized across diverse domains, including Radiology. They play a pivotal role in early disease detection by analyzing data to identify patterns and biomarkers. Here, we propose a novel approach for classifying between Early MCI (EMCI) and Late MCI (LMCI), by integrating object detection with 3D CNN. Leveraging the capabilities of YOLOv5 object detection and 3D CNN, we focus on identifying changes in the corpus callosum (CC) and its neighbourhood, a crucial brain structure facilitating inter-hemispheric communication. Unlike existing methods that requ
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