Breast cancer is the most common cancer among women, and early detection through mammography is essential for reducing mortality. Artificial intelligence can support radiologists by improving diagnostic accuracy. To develop and evaluate a two-stage ensemble machine learning pipeline for breast cancer diagnosis from digital mammograms. The proposed framework combines image preprocessing, multiple convolutional neural networks trained under different conditions, and a second-stage classifier that integrates the CNN outputs. Several machine learning models and feature selection techniques were ev
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.
Deep neural networks (DNNs) have proven to be successful in various computer vision applications such that models even infer in safety-critical situations. Therefore, vision models have to behave in a robust way to disturbances such as noise or blur. While seminal benchmarks exist to evaluate model robustness to diverse corruptions, blur is often approximated in an overly simplistic way to model defocus, while ignoring the different blur kernel shapes that result from optical systems. To study model robustness against realistic optical blur effects, this paper proposes two datasets of blur 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.
The impressive advancements in semi-supervised learning have driven researchers to explore its potential in object detection tasks within the field of computer vision. Semi-Supervised Object Detection (SSOD) leverages a combination of a small labeled dataset and a larger, unlabeled dataset. This approach effectively reduces the dependence on large labeled datasets, which are often expensive and time-consuming to obtain. Initially, SSOD models encountered challenges in effectively leveraging unlabeled data and managing noise in generated pseudo-labels for unlabeled data. However, numerous recen
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.
The lack of effective optimization strategies hinders the optimal performance of paper-based microfluidic analytical devices (μPADs). In this work, a Machine Learning-driven Computer vision-BP Neural Networks-Genetic Algorithm-based Cyclic Optimizing Strategy (CNGCOS) has been explored to assist in the parameter optimization and engineering of the μPADs. With dual-signal output of color intensity (CI) and colorimetric distance (CD), the optimized μPADs can serve for rapid point-of-care detection of salivary hemoglobin (Hb), an early biomarker for the diagnosis of periodontitis. Moreover, 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.
Satellite pose estimation plays a crucial role within the aerospace field, impacting satellite positioning, navigation, control, orbit design, on-orbit maintenance (OOM), and collision avoidance. However, the accuracy of vision-based pose estimation is severely constrained by the complex spatial environment, including variable solar illumination and the diffuse reflection of the Earth's background. To overcome these problems, we introduce a novel satellite pose estimation network, FilterformerPose, which uses a convolutional neural network (CNN) backbone for feature learning and extracts featu
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 recent years, neural ordinary differential equation frameworks such as Biologically-Informed Neural Networks (BINNs) have shown promise for learning mechanistic laws from sparse data. However, most existing approaches implicitly assume homoscedastic Gaussian noise, and therefore do not account for potentially meaningful structure in biological variability. Here, we present an extension to the existing BINNs framework that includes a learnable noise model, allowing discovery of the noise model directly from data. Using population growth as an example, we demonstrate that the framework accura
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.
Fluorescence imaging (FI) is widely used in in vivo and cellular studies. However, accurate depth determination of fluorescent targets in vivo remains challenging due to strong photon scattering and absorption in biological tissues. In this study, we developed and validated a machine learning (ML)-based framework, supported by Monte Carlo (MC) simulations, for accurate depth estimation of near-infrared (NIR) fluorescent targets in turbid media. An optimized MC model was constructed to simulate NIR fluorescence photon propagation, generating datasets of fluorescence images corresponding to targ
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.
Optical coherence tomography is a crucial imaging technique for the detection and analysis of retinal diseases. Precise classification of optical coherence tomography images helps ophthalmologists and healthcare providers design personalized treatment plans in clinical practice. In this paper, we focus on optical coherence tomography image classification for seven types of retinal diseases and normal retina. Although existing deep neural networks could be applied to optical coherence tomography images for the classification, the features were extracted within same hyperspace, causing "feature
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.
Sickle cell disease (SCD) is a debilitating genetic blood disorder that must be identified and diagnosed early for effective treatment planning. Several factors hinder early identification in microscopic images, including uneven blood smears, lack of focus during capture, inconsistent illumination, and improper microscope settings. This paper addresses the aforementioned factors using the Intuitionistic Fuzzy-Driven Retinex (IFDR) method. The work contains two phases: microscopic image enhancement using IFDR and classification using DenseNet121. IFDR is a hybrid model that combines the Intuiti
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: Early and accurate diagnosis of Alzheimer's Disease (AD) is crucial for effective clinical intervention.
METHOD: In this study, we propose a lightweight vision transformer architecture specifically designed for AD classification using 2D brain MRI slices. LICAUN-ViT incorporates three key innovations: Mono-Head Self-Attention (MOHSA) to reduce computational overhead, Uniformity Normalization (Uni-Norm) to mitigate oversmoothing and enhance feature diversity, and Context-Aware Convolution (CAC) to integrate long-range dependencies with local structural features.
RESULTS: Evaluated
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.
Cancer diagnosis remains challenging in clinical practice, motivating the development of computational tools for accurate identification of cancerous regions in medical images. Recent advances in deep learning have shown potential to support these tasks. This study proposes a framework that converts 2D medical images (e.g., mammograms) into 1D signals for efficient feature extraction, followed by classification using a 1D convolutional neural network. Integro-differential equations are incorporated to model tumor growth dynamics and spatial-temporal intensity variations, with the goal of impro
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.
Anxiety disorders (AD) are prevalent psychiatric conditions that profoundly impact adolescent neural development. Abnormal delta-beta cross-frequency coupling (CFC) has been identified as a key electrophysiological marker of altered neural dynamics in individuals with AD. However, most existing studies focus on static analysis within restricted brain regions and predefined frequency bands, which limits the understanding of large-scale dynamic neural communication. Therefore, we propose a novel cross-frequency coupling directed brain network (CFCDBN) framework, which integrates personalized CFC
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.
Emphysema is a chronic condition of the lungs and it has to be diagnosed at an early age as it can harm the lungs effectively as they can be treated and controlled. The quality of the diagnosis depends on the efficient detection of the emphysematous areas in CT scans, yet the majority of the current methods fail in terms of noise, slight tissue differences, and delimiting the area composition. In this work, a new Hybrid IFCM-TransUNet-Faster Mask R-CNN framework to detect and localize prominently early emphysema cases will be proposed, featuring Improved Fuzzy C-Means (IFCM) preliminarily segm
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.
Retinal lesion segmentation is one of the critical tasks to analyze retinal diseases. Many researchers have proposed deep-learning models to extract lesions from the retinal scans. However, these models often rely on image features that might not be clinically meaningful for identifying the retinal lesions. Additionally, these models need pixel-level ground truths, which are challenging to procure in the real world. To overcome these issues, we present a novel language-assisted multimodal convolutional transformer pipeline that aligns image features with the text features, where the text featu
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.
Central airway obstruction can be caused by lung cancer and may severely diminish respiratory function to necessitate airway stenting. However, the mechanical properties of airway tissues remain poorly characterized, leading to a mismatch between stent mechanical behavior and airway compliance, which can reduce stent biocompatibility and clinical effectiveness. Such mismatches can result in abnormal stress transfer at the stent-airway interface and cause stent migration, local tissue irritation or inflammation, and impaired long-term performance. Predictive models are often used in treatment p
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.
Lung cancer remains one of the foremost causes of cancer-related mortality worldwide, primarily due to its frequent late-stage diagnosis and the limited efficacy of available treatments at advanced stages. This study seeks to advance early detection through the application of deep learning techniques for the automated classification of lung CT images into benign, malignant, and normal categories. A comprehensive methodological framework was adopted, encompassing data acquisition, preprocessing, model development, training, validation, and performance evaluation, with patient-level data splitti
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.
Multiple sclerosis (MS) is a chronic neurological disorder commonly diagnosed through magnetic resonance imaging (MRI). Manual interpretation of MRI scans is time-consuming and prone to observer variability. This study explores the use of deep learning (DL) models to automate MS lesion detection in MRI images. Four convolutional neural network (CNN) architectures-AlexNet, VGG16 pretrained on ImageNet, ResNet-10, and DenseNet-121-were utilized with slight modifications to optimize their performance for medical imaging tasks. The dataset, comprising 2831 FLAIR and T2 MRI slices from 60 patients,
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.
PURPOSE: Convolutional neural networks (CNNs) have been studied for detecting bone metastases on bone scans; however, the application of ConvNeXt and transformer models has not yet been explored. This study aims to evaluate the performance of various deep learning models, including the ConvNeXt and transformer models, in diagnosing metastatic lesions from bone scans.
MATERIALS AND METHODS: We retrospectively analyzed bone scans from patients with cancer obtained at 2 institutions: the training and validation sets (n=4626) were from Hospital 1 and the test set (n=1428) was from Hospital 2. The
СтатьяСравнительное исследованиеПолный 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.
Accurate segmentation of organs in the abdomen is a primary requirement for any medical analysis and treatment planning. In this study, we propose an approach based on 3D UNet and UNet + + architectures implemented in the MONAI framework for addressing challenges that arise due to anatomical variability, complex shape rendering of organs, and noise in CT/MRI scans. The models can analyze information in three dimensions from volumetric data, making use of skip and dense connections, and optimizing the parameters using Secretary Bird Optimization (SBO), which together help in better feature ext
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.
Real-time 3-D CT reconstruction during radiotherapy, based on planning 4-D CT, has emerged as a central area of interest in the field of image-guided radiotherapy (IGRT). However, current methodologies still rely on time-consuming patient-specific training, real-time registration, or additional radiation doses. Our contribution, respiration-driven synchronized motion estimator (RSME), represents a novel and efficient forward propagation network, leveraging an explicit spatial-temporal low-rank decomposition of displacement fields and surface imaging to enable real-time 3-D CT reconstruction du
СтатьяПоддержка 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.
MedElevator
Войти в исследования