Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
29666 публикаций
Поиск: 222 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 1458 с найденным полным текстом
The development of dynamic navigation system (DNS) has facilitated the development of modern digital medicine. In the field of dentistry, the cutting-edge technology is garnering widespread recognition. Based on the principles of 3-dimensional visualization, virtual design, and precise motion tracking, DNS is mainly composed of a computer, a tracking system, specialized tracer instruments, and navigation software. DNS employs a workflow that begins with preoperative data acquisition and imaging data reconstruction, followed by surgical instrument calibration and spatial registration, culminati
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.
Autosegmentation of gross tumor volumes holds promise to decrease clinical demand and to provide consistency across clinicians and institutions for radiation treatment planning. Additionally, autosegmentation can enable imaging analyses such as radiomics to construct and deploy large studies with thousands of patients. Here, we review modern results that utilize deep learning approaches to segment tumors in 5 major clinical sites: brain, head and neck, thorax, abdomen, and pelvis. We focus on approaches that inch closer to clinical adoption, highlighting winning entries in international compet
СтатьяОбзорПолный 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: The study aims to address the challenge of aligning Standard Fundus Images (SFIs) and Ultra-Widefield Fundus Images (UWFIs), which is difficult due to their substantial differences in viewingrange and the amorphous appearance of the retina. Currently, no specialized method exists for this task, and existing image alignment techniques lack accuracy.
METHODS: We propose Active Diffusion Matching (ADM), a novel cross-modal alignment method. ADM integrates two interdependent score-based diffusion models to jointly estimate global transformations and local deformations via an iterative
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 computer-assisted diagnostics, assessing the quality of retinal images, especially for DR, is vital. While current Image Quality Assessment (IQA) methods lean on Transfer Learning (TL), their adaptability to specific IQA demands, especially for DR images, remains questionable due to the challenges of detecting detailed distortions. In this paper, we propose a novel framework termed Saliency-Aware Mutual Learning for Image Quality Assessment (SAM-IQA). This framework intricately learns the relationship between the representation of salient regions and the overall representation of fundus ima
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 approval of disease-modifying antiamyloid therapies has expanded the clinical role of amyloid PET beyond diagnostic confirmation to include baseline characterization and longitudinal monitoring of treatment response. Although visual interpretation remains the clinical standard for amyloid PET, it may be limited in borderline cases and when assessing subtle changes in amyloid burden over time. Quantitative amyloid PET provides objective measures that complement visual assessment, with z scores, SUV ratios, and Centiloid scaling offering increasing clinical utility. The Centiloid scale stand
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.
BACKGROUND: Port-wine stain (PWS) birthmarks are characterized by complicated morphologic changes of cutaneous vasculature that cause abnormal discoloration of affected skin. Dermoscopy is a useful tool for visualizing PWS vascular features of skin surface, but dermoscopic images are often analyzed manually.
AIM: This study intended to develop a computer-aided image processing method for extracting and analyzing the morphologic features in PWS dermoscopic images.
MATERIALS AND METHODS: Dermoscopic images of typical PWS lesions in the face and neck area were selected before and after photodyn
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 detection of cataract is crucial for thwarting visual impairment worldwide, and the utilization of automated cataract detection through medical images has shown increased growth for several years. The automated detection model comprises image processing, feature extraction and classification process to ensure accurate identification of infected cataract eye images. However, the recent detection model endures various challenges, including complex computing requirements, feature redundancy, inadequate precision, generalization and less data diversity. To overcome these challenges, a Chaoti
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: Dynamic imaging of the surgical region during lung interventional procedures can provide clinicians with valuable real-time guidance, assisting them in making informed clinical decisions. However, conventional medical imaging methods have limitations, such as poor real-time capability (CT, MRI), radiation exposure risk (X-ray), limited imaging resolution (ultrasound), and restricted fields of view (endoscopy), making them unsuitable for effective intraoperative monitoring.
PURPOSE: Evaluate the proposed Internal Stimulation Source Near-Field Small Target electrical impedance tomog
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.
Accurate polyp segmentation in colonoscopy images is crucial for early colorectal cancer diagnosis but remains challenging due to irregular shapes, weak boundaries, and low contrast. Although foundation segmentation models like SAM2 offer powerful representations, their generic decoders often lack the multi-scale modeling and cross-layer semantic constraints needed for precise medical image analysis, particularly under weak-boundary conditions. To address this, we propose SAM2-RFANet, a novel network that synergistically couples multi-receptive-field feature extraction with collaborative atten
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.
High-precision medical image segmentation is a prerequisite for accurate computer-aided diagnosis, yet it faces a persistent challenge in balancing fine-grained local detail extraction with global context modeling. Conventional CNN-based methods excel at analyzing local textures-critical for delineating boundaries in pathology-but suffer from limited receptive fields. Conversely, pure Transformer or state-space models (SSMs) capture the long-range dependencies needed for anatomical understanding at the cost of computational efficiency or high-frequency detail fidelity. Existing hybrid approach
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.
Vision transformers have achieved remarkable success in image classification. The dual-branch vision transformer generates more features by taking advantage of feature fusion. Inspired by this, a dual-branch vision transformer with Real-Time Share feature was proposed during the encoding process for retinal image classification tasks. The approach processes image patches of varying sizes (base and large) through two independent branches and implements multi-stage Real-Time feature fusion via the Real-Time Share feature encoder. This encoder enables the branches to complement each other's featu
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.
Image pre-processing has significant impact on performance of deep learning models in medicine; yet, there is no standardized method for DICOM pre-processing. In this study, we investigate the impact of two commonly used image preprocessing techniques, histogram equalization (HE) and values-of-interest look-up-table (VOI-LUT) transformations on the performance deep learning classifiers for chest X-rays (CXR). We generated two baseline datasets (raw pixel and standard DICOM processed) from our internal CXR dataset and then enhanced both with HE to create four distinct datasets. Four independent
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.
OBJECTIVE: To enhance the cross-domain generalization of thyroid-nodule segmentation models by augmenting limited ultrasound training data with synthetic images generated by a fine-tuned Stable Diffusion model.
METHODS: Three public thyroid ultrasound datasets with heterogeneous acquisition characteristics were used: TN3K (training + testing), TDID, and TUCC. The denoising UNet inside Stable Diffusion v1.4 was fine-tuned on 2303 TN3K nodules and then used to synthesize realistic thyroid nodules. Using the model's inpainting capability, same number of synthetic nodules were inserted into origi
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.
Accurate skin lesion segmentation is crucial for the early detection and treatment of skin cancer. Despite significant advances in deep learning, current segmentation methods often struggle to fully capture global contextual information and maintain the structural integrity of skin lesions. To address these challenges, this paper introduces Superpixel Embedded Transformer (SET), which integrates superpixels into the Transformer framework for skin lesion segmentation. Instead of embedding non-overlapping patches as tokens, SET employs an Association Embedded Merging & Dispatching (AEM&D) module
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.
The optic cup (OC) and optic disc (OD) are two critical structures in retinal fundus images, and their relative positions and sizes are essential for effectively diagnosing eye diseases. With the success of deep learning in computer vision, deep learning-based segmentation models have been widely used for joint optic cup and disc segmentation. However, there are three prominent issues that impact the segmentation performance. First, significant differences among datasets collecting from various institutions, protocols, and devices lead to performance degradation of models. Second, we find that
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: Breast cancer is one of the leading causes of death in women worldwide. Histopathology analysis of breast tissue is an essential tool for diagnosing and staging breast cancer. In recent years, there has been a significant increase in research exploring the use of deep-learning approaches for breast cancer detection from histopathology images.
OBJECTIVE: To provide an overview of the current state-of-the-art technologies in automated breast cancer detection in histopathology images using deep learning techniques.
METHODS: This review focuses on the use of deep learning algorithms
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.
Breast cancer is a malignancy caused by the abnormal proliferation of breast epithelial cells, predominantly affecting female patients, and it is commonly diagnosed using histopathological images. Currently, deep learning techniques have made significant breakthroughs in medical image processing, outperforming traditional detection methods in breast cancer pathology classification tasks. This paper first reviewed the advances in applying deep learning to breast pathology images, focusing on three key areas: multi-scale feature extraction, cellular feature analysis, and classification. Next, it
СтатьяОбзорАннотация на английскомПолный 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.
SIGNIFICANCE: Near-infrared fluorescence image-guided surgery is often thought of as a spectral imaging problem where the channel count is the critical parameter, but it should also be thought of as a multiscale imaging problem where the field of view and spatial resolution are similarly important.
AIM: Conventional imaging systems based on division-of-focal-plane architectures suffer from a strict relationship between the channel count on one hand and the field of view and spatial resolution on the other, but bioinspired imaging systems that combine stacked photodiode image sensors and long-
СтатьяПоддержка 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: Malaria is a critical and potentially fatal disease caused by the Plasmodium parasite and is responsible for more than 600,000 deaths globally. Early and accurate detection of malaria parasites is crucial for effective treatment, yet conventional microscopy faces limitations in variability and efficiency.
METHODS: We propose a novel computer-aided detection framework based on deep learning and attention mechanisms, extending the YOLO-SPAM and YOLO-PAM models. Our approach facilitates the detection and classification of malaria parasites across all infection stages and supports mul
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.
PURPOSE: To study the improved rotational robustness by using joint learning of spatially-correlated organ segmentation (SCOS) for thoracic organ delineation. The network structure is not our point.
METHODS: The SCOS was implemented in a U-net-like model (abbr. SCOS-net) and evaluated on unseen rotated test sets. Two hundred sixty-seven patients with thoracic tumors (232 without rotation and 35 with rotation) were enrolled. The training and validation images came from 61 randomly chosen unrotated patients. The test data included two sets. One consisted of 3000 slices from the rest 171 unrotat
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.