Deep learning-based fundus image enhancement has attracted extensive research attention recently, which has shown remarkable effectiveness in improving the visibility of low-quality images. However, these methods are often constrained to specific datasets and degradations, leading to poor generalization capabilities and having challenges in the fine-tuning process. Therefore, a general method for fundus image enhancement is proposed for improved generalizability and flexibility, which decomposes the enhancement task into reconstruction and adaptation phases. In the reconstruction phase, self-s
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.
BackgroundAccurate identification and localization of prostate zones in magnetic resonance (MR) images are essential for clinical diagnosis and treatment planning. However, convolutional object detection models like YOLO often struggle to capture the complex geometric features of the prostate.ObjectiveTo enhance the detection and segmentation performance of prostate MR images by addressing limitations in spatial feature extraction and static focusing mechanisms present in conventional YOLO models.MethodsWe propose YOLO-D, an enhanced YOLOv8-based model integrating a Deformable Convolution (DCo
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.
Множественный склероз (MS) является хроническим неврологическим расстройством, затрагивающим миллионы людей во всем мире. Раннее обнаружение имеет жизненно важное значение для предотвращения длительной инвалидности. Магнитное резонансное воображение (MRI) играет ключевую роль в диагностике MS, однако различие между повреждениями MS и другими аномалиями мозга по-прежнему является сложной задачей. ЦЕЛЬ: Разработка и оценка новой системы глубокого обучения-2DRK-MSCAN для раннего и точного обнаружения поражения MS с использованием данных MRI. МЕТОДЫ: Предлагаемый подход утверждается с использовани
СтатьяПоиск 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.
Medical image segmentation plays a vital role in computer-assisted diagnosis, yet the heavy reliance on large-scale pixel-level annotations limits its scalability in real-world clinical applications. To alleviate this bottleneck, we propose a framework for annotation-efficient medical segmentation that leverages sparse supervision from scribbles and points. The framework is guided by three key principles. First, an auxiliary reconstruction branch is employed to enhance supervision and enrich feature representations derived from limited annotations. Second, a vector quantization (VQ) memory ban
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.
Deep learning-based semantic segmentation approaches provide an efficient and automated means for cancer diagnosis and monitoring, which is important in clinical applications. However, implementing these approaches outside the experimental environment and using them in real-world applications requires powerful and adequate hardware resources, which are not available in most hospitals, especially in low- and middle-income countries. Consequently, clinical settings will never use most of these algorithms, or at best, their adoption will be relatively limited. To address these issues, some approa
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.
Diabetic Retinopathy (DR) continues to be the leading cause of preventable blindness worldwide, and there is an urgent need for accurate and interpretable framework. A Multi View Cross Attention Vision Transformer (MVCAViT) framework is proposed in this research paper for utilizing the information-complementarity between the dually available macula and optic disc center views of two images from the DRTiD dataset. A novel cross attention-based model is proposed to integrate the multi-view spatial and contextual features to achieve robust fusion of features for comprehensive DR classification. A
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.
Thyroid nodules are highly prevalent in clinical practice, and their incidence has been steadily increasing in recent years, posing significant threats to human health. Traditional imaging examinations for thyroid nodules rely heavily on physicians' clinical experience and professional expertise, and are further limited by factors such as image resolution and inter-patient variability. These limitations hinder the accuracy and efficiency of clinical diagnosis. Leveraging its powerful image processing capabilities, deep learning has been widely applied in the extraction of nodule features and t
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.
Precise segmentation and uncertainty estimation are crucial for error identification and correction in medical diagnostic assistance. Existing methods mainly rely on pixel-wise uncertainty estimations. They (1) neglect the global context, leading to erroneous uncertainty indications, and (2) bring attention interference, resulting in the waste of extensive details and potential understanding confusion. In this paper, we propose a novel structural uncertainty estimation method, based on Convolutional Neural Networks (CNN) and Active Shape Models (ASM), named SU-ASM, which incorporates global sh
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.
Unsupervised anomaly detection (UAD) in brain MRI is crucial for early diagnosis, yet generalizing existing methods across diverse diseases, sequences, and missing data scenarios remains a significant challenge. Current reconstruction-based methods often fail to detect subtle anomalies, while conventional translation methods lack flexibility regarding input sequences. To address these limitations, we propose UniTransAD, a unified translation-based anomaly detection framework. UniTransAD introduces three key innovations: 1) a unified cyclic-translation inference paradigm built upon content-styl
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.
Medical professionals rely on MRI scans to evaluate brain tumors, a task prone to fatigue and subjective interpretation. This study enhances the YOLOv10 model by integrating two innovative modules: AvConv module and Bidirectional Pathway, both designed to improve detection accuracy. Experiments were conducted using two Kaggle datasets (Dataset 1: 1116 images; Dataset 2: 153 images), both annotated for tumor presence. The proposed model was compared against eight mainstream object detection methods. Results demonstrate that the proposed AvConv module achieves mAP50 of 88.5% and mAP50-95 of 77.7
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.
Traumatic brain injury (TBI) lesion segmentation from magnetic resonance imaging (MRI) remains challenging because lesions exhibit substantial heterogeneity in size, shape, intensity, and anatomical distribution. Conventional UNet-based segmentation models often struggle to accurately delineate fragmented or low-contrast lesion boundaries while maintaining contextual consistency. In this study, we propose Atrous Spatial Pyramid Pooling (ASPP)-Hybrid Attention Module (HAM)-UNet, a modified UNet architecture that integrates ASPP and a HAM for moderate-to-severe TBI (msTBI) lesion segmentation in
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.
Identifying brain tumors accurately through medical imaging is vital in supporting computer-aided diagnostic systems, playing an essential role in early disease identification and effective treatment planning. Manual analysis of medical scans, like MRI scans, often slow and susceptible to human error, emphasizing the growing demand for automated, efficient, and precise detection systems. In the proposed study, we present an enhanced approach to fine-tuning an object detection model for accurately identifying brain tumors, demonstrating the capabilities of deep learning techniques in medical im
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.
A review of phase-contrast magnetic resonance imaging techniques, with specific application to congenital heart disease, is presented. Theory, pitfalls, advantages, and specific examples of multiple, well-described congenital heart disease presentations are discussed.
СтатьяОбзорПоиск 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 Oxford FMRIb Software Library (FSL) Brain Extraction Tool (BET) is a widely used algorithm for removing extracranial tissues from MR images. Although BET is effective and simple to operate, it often fails to exclude fully all non-brain tissues unless the centre of gravity of the brain is specified to the programme. In this communication we present a recursive procedure for using BET that is extremely robust for extracting brain images without any manual intervention. The approach was tested on 150 adult head volumes and produced accurate results in all cases. The approach is efficient and
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.
Breast cancer is a disease characterized by the uncontrolled growth of abnormal cells. Early detection of this disease is the most effective way to reduce mortality. Although several new technologies show promise for improved capability of diagnosis, none have yet proved superior to traditional, X-ray film mammography in screening for breast cancer. More evaluation and development of new imaging tools and of promising skin surface electrical potential techniques is required and warranted. In the present study, we propose a theoretical three-dimensional, simplified and realistic model of the fe
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.
BACKGROUND: Magnetic resonance imaging (MRI) has become a core imaging modality for prostate cancer screening and diagnosis. Accurate and automatic segmentation of lesion regions is critical for subsequent staging assessment and treatment planning.
METHODS: To this end, this research proposes a two-stage segmentation framework for multimodal MRI. In the first stage, the prostate gland is segmented to extract the region of interest (ROI), thereby removing complex pelvic background structures. In the second stage, fine-grained prostate cancer lesion segmentation is performed within the ROI, ena
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.
BACKGROUND: Thyroid cancer is one of the most common cancers in clinical practice, and accurate classification of thyroid nodule ultrasound images is crucial for computer-aided diagnosis. Models based on a convolutional neural network (CNN) or a transformer struggle to integrate local and global features, which impacts the recognition accuracy.
PURPOSE: Our method is designed to capture both the key local fine-grained features and the global spatial features essential for thyroid nodule diagnosis simultaneously. It adapts to the irregular morphology of thyroid nodules, dynamically focuses on
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.
Prostate cancer is one of the most prevalent malignancies among men, and early detection through Magnetic Resonance Imaging (MRI) plays a crucial role in improving patient outcomes. However, accurate identification of cancerous regions remains challenging due to image noise, variations in tissue structures, and subtle differences between benign and malignant lesions. To address these challenges, a novel automated detection framework named Prostate Cancer Detection Neural Network (ProstateNet) that enhances the precision of prostate cancer detection is proposed. The proposed model begins with M
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.
OBJECTIVE: To evaluate the image quality of a novel deep-learning iterative reconstruction (DLIR) algorithm combined with high-frequency kernels compared with iterative reconstruction (IR) algorithms through the assessment of the detectability of small high-contrast lesions.
MATERIALS AND METHODS: Three image-quality phantoms were scanned with doses from 0.8 to 15 mGy. Images were reconstructed using ASIR-V0, ASIR-V80, and DLIR (Low, Medium, High), with an edge-enhancing kernel for a chest protocol and a sharp kernel for a spine protocol. A dedicated cubic phantom was used to assess axial, lo
СтатьяОценочное 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.
Automatic segmentation of Parkinson's disease (PD) related deep gray matter (DGM) nuclei based on brain magnetic resonance imaging (MRI) is significant in assisting the diagnosis of PD. However, due to the degenerative-induced changes in appearance, low tissue contrast, and tiny DGM nuclei size in elders' brain MRI images, many existing segmentation models are limited in the application. To address these challenges, this paper proposes a PD-related DGM nuclei segmentation network to provide precise prior knowledge for aiding diagnosis PD. The encoder of network is designed as an alternating en
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.
MedElevator
Войти в исследования