Gastric volvulus is a rare entity with a spectrum of acute and chronic clinical presentations. Body radiologists must be cognizant of the subtypes of gastric volvulus and identify potential complications. Mortality can be high if unrecognized from gastric necrosis, perforation, and sepsis. CT with multiplanar reformations is critical for complete evaluation beyond radiography and fluoroscopy. This article reviews clinical and imaging features of uncomplicated and complicated gastric volvulus, with the aim of guiding appropriate management.
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.
Computed tomography (CT) is a useful and widely employed imaging technique, which represents the largest source of population exposure to ionizing radiation in industrialized countries. Adaptive Statistical Iterative Reconstruction (ASIR) is an iterative reconstruction algorithm with the potential to allow reduction of radiation exposure while preserving diagnostic information. The aim of this phantom study was to assess the performance of ASIR, in terms of a number of image quality indices, when different reconstruction blending levels are employed. CT images of the Catphan-504 phantom were r
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2014eng
Separation of left and right lungs from binary segmentation is often necessary for quantitative image-based pulmonary disease evaluation. In this article, we present a new fully automated approach for accurate, robust, and efficient lung separation using 3-D CT scans. Our method follows a hysteresis setting that utilizes information from both lung regions and background gaps. First, original segmentation is separated by subtracting the gaps between left and right lungs, which are enhanced with Hessian filtering. Second, the 2-D separation manifold in 3-D image space is estimated based on the d
СтатьяResearch Support, N.I.H., IntramuralПоддержка исследования: вне правительства СШАПолный 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.
Radiological identification is important in forensic medicine. Identification using comparison of individualising structures with ante- and post-mortem conventional radiographs has been known for a long time. New radiological procedures such as computed tomography (CT) and magnetic resonance imaging (MRI) are being increasingly used for identification. In this paper, a new comparative approach using various radiological methods is described and its application demonstrated. This new approach is the comparison of ante-mortem conventional radiographs with projected images calculated from post-mo
Сравнительное исследованиеСтатьяПолный 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.
OBJECTIVE: To evaluate the effect of thin overlapping reconstruction on the attenuation of small (< or =3 cm) renal cysts in the nephrographic phase of multidetector CT (MDCT).
MATERIALS AND METHODS: We scanned a phantom kidney containing spheres of various sizes (10, 20, and 30 mm) using both 4- and 16-channel MDCT scanners, and reconstructed images with various slice thickness (T, mm) and intervals (I, mm). The attenuation increase (AI) was measured for each sphere in 240-HU diluted solution of contrast material and compared with the attenuation in 35-HU solution.
RESULTS: On the 4-channel
СтатьяПоддержка исследования: вне правительства СШАПолный 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.
We present the multidetector CT appearance of a case of isolated dextroversion. Dextroversion is a rare anomaly characterized by extreme right-sided rotation of the heart resulting in dextrocardia with the left ventricle anterior and to the left of the right ventricle. The diagnosis is easily made with ECG-gated multidetector CT.
Клинический случайСтатьяПолный 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.
PURPOSE: To introduce an alternative idea for fat suppression that is suited both for low-field applications where conventional fat-suppression approaches become ineffective due to narrow spectral separation and for applications with strong B0 homogeneities.
METHODS: Separation of fat and water is achieved by sweeping the frequency of RF saturation pulses during continuous radial acquisition and calculating frequency-resolved images using regularized iterative reconstruction. Voxel-wise signal-response curves are extracted that reflect tissue's response to RF saturation at different frequenci
СтатьяResearch Support, N.I.H., IntramuralПоиск 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: This study aimed to develop an intelligent framework, termed CUA-Net, for the automated classification of congenital uterine anomalies (CUAs) without the requirement of coronal plane reconstruction, and to evaluate its clinical applicability.
METHODS: CUA-Net was built on 3-D ResNet-18, equipped with a dynamic data re-sampling strategy to mitigate the data imbalance issue and a hard sample mining technique to fully learn from difficult cases through loss adjustment. We further proposed self-supervised reconstruction to comprehensively explore volumes and online data augmentation to
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.
Proton Density Fat Fraction (PDFF) is the gold standard for non-invasive fatty liver diagnosis, but its reliance on Magnetic Resonance Imaging (MRI) limits broad clinical applicability. Motivated by the accessibility of B-mode Ultrasound (US) in fatty liver assessment, we propose a novel framework for liver segmentation and PDFF prediction from US images. To enhance generalization ability despite limited paired US-PDFF data, our framework integrates a cross-task self-supervised pretext task that extracts semantic features to guide echo intensity capture, benefiting both liver segmentation and
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.
OBJECTIVES: To develop and validate a deep learning model for automatic segmentation of pulmonary masses on apparent diffusion coefficient (ADC) maps and to assess repeatability of automated ADC quantification.
METHODS: We proposed ADCSegNet, a deep learning model tailored to pulmonary ADC maps, trained and tested on ADC maps from centre 1 (303 MRI examinations) and externally evaluated on datasets from centre 2 (70 examinations) and centre 3 (12 examinations) for generalisability. Segmentation accuracy was evaluated using the Dice similarity coefficient (DSC). Agreement between model-derived
СтатьяМногоцентровое 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.
Due to the dynamic changes and complex time-delay characteristics of signal transmission between brain regions, this information can help identify early signs in individuals with Alzheimer's Disease (AD). Conventional Functional Connectivity Networks (FCN) may overlook interaction delays, leading to inaccurate representations of activity between brain regions. Recognizing the varying delays between patients and healthy individuals, we constructed a dynamic FCN using a Sliding Window based on Derivative Regularity Correlation (SWDRC) and a Functional Delay Network (FDN). These methods aim to im
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.
Here we report the first human observation of an imaging pattern in early hyperacute ischemic stroke, in which restricted diffusion is detectable on ADC maps before it becomes appreciable on DWI. The pattern—an ADC/DWI mismatch—was incidentally captured in a thalamic infarct during MRI obtained after a transient ischemic attack in a different vascular territory, enabling observation at an early hyperacute stage. Quantitative measurements at three time points demonstrated falling relative ADC and slower-rising relative DWI signal, aligning with thresholds for visual detectability. Although anti
СтатьяКлинический случайПолный 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.
Despite high performance of deep learning in medical imaging applications, the critical lack of validated computational metrics for explainable AI (XAI) impedes clinical integration. To address this gap, our study introduces a multi-level validation framework to rigorously assess seven computational evaluation metrics applied to eight widely-used post-hoc attribution methods - spanning gradient-based, input attribution, and decomposition-based families - on large-scale structural MRI datasets (UK Biobank and ADNI) with two different benchmark tasks across several deep learning architectures. 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.
This study introduces an efficient Automated Breast Volume Scanner (ABVS) image analysis framework designed to address the limitations of traditional screening methods-namely low diagnostic accuracy, excessive reliance on operator expertise, and the increased workload associated with manual interpretation of three-dimensional imaging. Our primary objective was to develop a single, end-to-end network that simultaneously performs lesion segmentation and benign-malignant classification using a multi-task learning strategy. The proposed model integrates several innovations. A boundary-aware auxili
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.
Endometriosis is a widespread gynecological disorder causing severe pain and infertility, with diagnosis currently relying on slow, costly, and risky laparoscopy. This highlights the critical need for non-invasive imaging diagnostics using transvaginal ultrasound (TVUS) and magnetic resonance imaging (MRI). A key challenge is that patients typically receive only one scan modality in practice, despite TVUS and MRI offering differing diagnostic strengths for endometriosis signs like Pouch of Douglas (POD) obliteration and bowel nodules (BN). Previous work partially addressed this challenge by le
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.
Magnetic resonance imaging (MRI) is an indispensable tool for clinical knee examination, which often scans 2D stacked slices from multiple views. Radiologists typically locate lesion regions in one view, and then refer to other views to formulate a comprehensive diagnosis. However, existing computer-aided diagnosis methods fall short of identifying and fusing local regions in multi-view scans, leading to a decline in diagnostic performance and a heavy reliance on extensively annotated data. This paper introduces a novel framework that represents multi-view MRI scans as a knee graph, and conduc
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.
Glaucoma, a leading cause of irreversible blindness, necessitates early detection for accurate and timely intervention to prevent irreversible vision loss. In this study, we present a novel deep learning framework that leverages the diagnostic value of 3D Optical Coherence Tomography (OCT) imaging for automated glaucoma detection. In this framework, we integrate a pre-trained Vision Transformer on retinal data for rich slice-wise feature extraction and a bidirectional Gated Recurrent Unit for capturing inter-slice spatial dependencies. This dual-component approach enables comprehensive analysi
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.
The variability in image modalities presents significant challenges in medical image classification, as traditional deep learning models often struggle to adapt to different image types, leading to suboptimal performance across diverse datasets. This is critical in the diagnosis of conditions like cataracts and cancers, where imaging data spans various modalities, including visible eye images for cataracts and histopathological images for cancers among others. Cataracts, a leading cause of blindness, and lung and breast cancers, major contributors to cancer-related deaths, require early detect
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 study aimed to develop a fully automated semantic placenta segmentation model that integrates the U-Net and SegNeXt architectures through ensemble learning. A total of 218 pregnant women with suspected placental abnormalities who underwent magnetic resonance imaging (MRI) were enrolled, yielding 1090 annotated images for developing a deep learning model for placental segmentation. The images were standardized and divided into training and test sets. The performance of Placental Segmentation Network (PlaNet-S), which integrates U-Net and SegNeXt within an ensemble framework, was assessed u
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.
Раннее обнаружение аномалий в таких медицинских снимках, как магнитный резонанс мозга (MRI), имеет большое значение для диагностики и лечения многих медицинских заболеваний. Методы машинного обучения под наблюдением ограничиваются небольшим числом патологий, в которых имеются хорошие данные с маркировкой. В отличие от этого неконтролируемое обнаружение аномалий (УАД) способно выявить более широкий спектр аномалий путем выявления отклонений от обычных моделей. Результаты наших исследований свидетельствуют о том, что предыдущие новейшие подходы, основанные на ОБД, не позволяют хорошо обобщать ра
СтатьяПоддержка исследования: вне правительства СШАПоиск полного текста в очередиМашинный перевод · не проверен
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