The firmness of meningiomas is a critical factor that impacts the surgical approach recommended for patients. The conventional approaches that couple image processing techniques with radiologists' visual assessments of magnetic resonance imaging (MRI) proved to be time-consuming and subjective to the physician's judgment. Recently, machine learning-based methods have emerged to classify MRI instances into firm or soft categories. Typically, such solutions rely on hand-crafted attributes and/or feature engineering techniques to encode the visual content of patient MRIs. This research introduces
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.
Brain tumor segmentation plays a critical role in the diagnosis and treatment planning of brain tumors. However, achieving accurate segmentation is challenging due to the complex boundaries between different tumor sub-regions. Additionally, many existing methods produce deterministic segmentation results without addressing prediction uncertainty, limiting their reliability and interpretability in clinical applications. To tackle these challenges, this paper proposes a novel Boundary-aware and Uncertainty-driven multi-modal Fusion Network (BUFNet) for MR brain tumor segmentation. Specifically,
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: Monocular Depth Estimation (MDE) is a computer vision approach that predicts spatial depth information from a single two-dimensional image. In orthodontics, where facial soft-tissue evaluation is integral to diagnosis and treatment planning, such methods offer new possibilities for obtaining sagittal profile information from standard frontal photographs. This study aimed to determine whether MDE can extract clinically meaningful information for facial profile assessment.
METHODS: Standardized frontal photographs and lateral cephalometric radiographs from 82 adult patients (48 Clas
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
Magnetic resonance neuroimaging (MRI)-based brain functional connections show significant potential in aiding the diagnosis and assessment of psychiatric disorders. Current neuroimaging studies utilize substantial amounts of data, frequently from multiple centers, to enhance the confidence of the results. However, multi-center neuroimaging studies face challenges due to inter-site variability caused by differences in scanner configurations and acquisition protocols, leading to low data consistency with limited generality. To address these challenges, we propose a novel site common information
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.
Cervical cancer is one of the most commonly diagnosed cancers worldwide, and it is particularly prevalent among women living in developing countries. Traditional classification algorithms often require segmentation and feature extraction techniques to detect cervical cancer. In contrast, convolutional neural networks (CNN) models require large datasets to reduce overfitting and poor generalization. Based on limited datasets, transfer learning was applied directly to pap smear images to perform a classification task. A comprehensive comparison of 16 pre-trained models (VGG16, VGG19, ResNet50, R
СтатьяСравнительное исследованиеПоиск 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 severe brain disorder that causes harm in various brain areas and leads to memory damage. The limited availability of labeled medical data poses a significant challenge for accurate Alzheimer's disease detection. There is a critical need for effective methods to improve the accuracy of Alzheimer's disease detection, considering the scarcity of labeled data, the complexity of the disease, and the constraints related to data privacy. To address this challenge, our study leverages the power of Big Data in the form of pre-trained Convolutional Neural Networks (CNNs) within
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.
With the increasing number of patients with Alzheimer's Disease (AD), the demand for early diagnosis and intervention is becoming increasingly urgent. The traditional detection methods for Alzheimer's disease mainly rely on clinical symptoms, biomarkers, and imaging examinations. However, these methods have limitations in the early detection of Alzheimer's disease, such as strong subjectivity in diagnostic criteria, high detection costs, and high misdiagnosis rates. To address these issues, this study proposes a deep learning model to detect Alzheimer's disease; it is called Enhanced Residual
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.
High-fidelity numerical simulations such as Computational Fluid Dynamics (CFD) have been proven effective in analysing haemodynamics, offering insight into many vascular conditions. However, these methods often face challenges of high computational cost and long processing times. Data-driven approaches such as Reduced Order Modeling (ROM) and Machine Learning (ML) are increasingly being explored alongside CFD to advance biomechanical research and application. This study presents an integration of Proper Orthogonal Decomposition (POD)-based ROM with neural network-based ML models to predict Wal
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.
Obstructive Sleep Apnea (OSA) is a common respiratory disease characterized by recurrent airway block during sleep, which does great harm to the human body. Utilizing the electroencephalogram (EEG) has been proven instrumental in OSA detection, as sleep apnea occurrences induce discernible alterations in EEG patterns. In this study, we propose a Limited Penetrable Difference Visibility Graph (LPDVG) method to screen severe OSA. This method exhibits strong anti-noise performance, effective information extraction, and a certain degree of generalization ability. First of all, this study construct
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.
Mental disorders represent a critical global health challenge that affects millions around the world and significantly disrupts daily life. Early and accurate detection is paramount for timely intervention, which can lead to improved treatment outcomes. Electroencephalography (EEG) provides the non-invasive means for observing brain activity, making it a useful tool for detecting potential mental disorders. Recently, deep learning techniques have gained prominence for their ability to analyze complex datasets, such as electroencephalography recordings. In this study, we introduce a novel deep-
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.
Early and accurate detection of oral cancer plays a pivotal role in improving patient outcomes. This research introduces a custom-designed, 19-layer convolutional neural network (CNN) for the automated diagnosis of oral cancer using clinical images of the lips and tongue. The methodology integrates advanced preprocessing steps, including min-max normalization and histogram-based contrast enhancement, to optimize image features critical for reliable classification. The model is extensively validated on the publicly available Oral Cancer (Lips and Tongue) Images (OCI) dataset, which is divided i
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.
Pre-extracted lumen information of 3D vessel in medical images can effectively assist doctors in intraoperative navigation and postoperative evaluation, which has important clinical value. The main challenge faced by fully automatic 3D vessel segmentation comes from the imbalanced proportion of the vessels in medical image, which may lead to lost target. In this paper, a fully automatic 3D vessel segmentation method based on small-object-sensitive deep reinforcement learning, is presented. The region of target is firstly detected by the bounding box of a deep reinforcement learning (DRL) netwo
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.
Diffusion-weighted imaging (DWI) is widely applied in tumor diagnosis by measuring the diffusion of water molecules. To increase the sensitivity to tumor identification, faithful high b-value DWI images are expected by setting a stronger strength of gradient field in magnetic resonance imaging (MRI). However, high b-value DWI images are heavily affected by reduced signal-to-noise ratio due to the exponential decay of signal intensity. Thus, removing noise becomes important for high b-value DWI images. Here, we propose a Physics-Informed neural Network for high b-value DWI images Denoising (PIN
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.
Indian agriculture is vital sector in the country's economy, providing employment and sustenance to millions of farmers. However, Plant diseases are a serious risk to crop yields and farmers' livelihoods. Traditional plant disease diagnosis methods rely heavily on human expertise, which can lead to inaccuracies due to the invisible nature of early disease symptoms and the labor-intensive process, making them inefficient for large-scale agricultural management. To recover from this and, address these challenges, this study explores deep learning, specifically Convolutional Neural Networks (CNN)
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.
Dynamic contrast-enhanced (DCE) MRI is a powerful technique for detecting and characterising various diseases by quantifying tissue perfusion. However, accurate perfusion quantification remains challenging due to noisy data and the complexity of pharmacokinetic modelling. Conventional non-linear least squares (NLLS) fitting often yields noisy parameter maps. Although deep-learning algorithms generate smoother, more visually appealing maps, these may lure clinicians into a false sense of security when the maps are incorrect. Hence, reliable uncertainty estimation is crucial for assessing model
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.
Hydrocephalus, particularly congenital hydrocephalus in infants, remains underexplored in deep learning research. While deep learning has been widely applied to medical image analysis, few studies have specifically addressed the automated classification of hydrocephalus. This study proposes a convolutional neural network (CNN) model based on the VGG16 architecture to detect hydrocephalus in infant head CT images. The model integrates an automated method for ventricular volume extraction, applying windowing, histogram equalization, and thresholding techniques to segment the ventricles from surr
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
This study proposes a portable electrocardiographic (ECG) monitoring device for real-time arrhythmia detection, addressing limitations in accessibility and infrastructure in resource limited areas. The device uses a modified one-dimensional convolutional neural network (CNN) based on the AlexNet architecture to classify heart rhythms, including sinus rhythm, atrial fibrillation, and bradycardia. It integrates an AD8232 ECG sensor, ESP32 microcontroller, and wireless communication module, providing continuous ECG data collection and real-time analysis. Data is transmitted to a desktop platform
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.
European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society2025eng
PURPOSE: The main purpose of this research is to develop an automated and accurate method for detecting Lumbar Spinal Stenosis (LSS) using both sagittal and axial MRI images. The study addresses the challenge of differentiating LSS from similar conditions such as herniated disks, aiming to facilitate quick diagnosis with less dependence on expert interpretation.
METHOD: This research proposes a Hybrid Deep Kronecker Spinal Network (DKN_Spinal) for LSS detection using sagittal and axial Magnetic Resonance Imaging (MRI) images. Here, the input sagittal and axial images are fed for the pre-proce
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.
OBJECTIVES: To develop a platform including a deep convolutional neural network (DCNN) for automatic segmentation of the maxillary sinus (MS) and adjacent structures, and automatic algorithms for measuring 3-dimensional (3D) clinical parameters.
MATERIALS AND METHODS: 175 CBCTs containing 242 MS were used as the training, validating and testing datasets at the ratio of 7:1:2. The datasets contained healthy MS and MS with mild (2-4 mm), moderate (4-10 mm) and severe (10- mm) mucosal thickening. A DCNN algorithm adopting 2.5D structure was trained for automatic segmentation. Automatic measuring
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.
INTRODUCTION/BACKGROUND: This study compares the classification accuracy of novel transformer-based deep learning models (ViT and BEiT) on brain MRIs of gliomas and meningiomas through a feature-driven approach. Meta's Segment Anything Model was used for semi-automatic segmentation, therefore proposing a total neural network-based workflow for this classification task.
METHODS: ViT and BEiT models were finetuned to a publicly available brain MRI dataset. Gliomas/meningiomas cases (625/507) were used for training and 520 cases (260/260; gliomas/meningiomas) for testing. The extracted deep radi
СтатьяСравнительное 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.
MedElevator
Войти в исследования