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
29687 публикаций
Поиск: 366 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 1458 с найденным полным текстом
IEEE transactions on image processing : a publication of the IEEE Signal Processing Society2023eng
Human parsing aims to segment each pixel of the human image with fine-grained semantic categories. However, current human parsers trained with clean data are easily confused by numerous image corruptions such as blur and noise. To improve the robustness of human parsers, in this paper, we construct three corruption robustness benchmarks, termed LIP-C, ATR-C, and Pascal-Person-Part-C, to assist us in evaluating the risk tolerance of human parsing models. Inspired by the data augmentation strategy, we propose a novel heterogeneous augmentation-enhanced mechanism to bolster robustness under commo
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.
Healthcare has benefited from the implementation of deep-learning models to solve medical image classification tasks. For example, White Blood Cell (WBC) image analysis is used to diagnose different pathologies like leukemia. However, medical datasets are mostly imbalanced, inconsistent, and costly to collect. Hence, it is difficult to select an adequate model to overcome the mentioned drawbacks. Therefore, we propose a novel methodology to automatically select models to solve WBC classification tasks. These tasks contain images collected using different staining methods, microscopes, and came
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: Precise teeth segmentation from dental panoramic X-ray images is an important task in dental practice. However, several issues including poor image contrast, blurring borders of teeth, presence of jaw bones and other mouth elements, makes reading and examining such images a challenging and time-consuming task for dentists. Thus, developing a precise and automated segmentation technique is required.
OBJECTIVE: This study aims to develop and test a novel multi-fusion deep neural net consisting of encoder-decoder architecture for automatic and accurate teeth region segmentation from
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 image segmentation methods based on deep learning have made remarkable progress. However, such existing methods are sensitive to data distribution. Therefore, slight domain shifts will cause a decline of performance in practical applications. To relieve this problem, many domain adaptation methods learn domain-invariant representations by alignment or adversarial training whereas ignoring domain-specific representations. In response to this issue, this paper rethinks the traditional domain adaptation framework and proposes a novel orthogonal decomposition adversarial domain adaptation
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.
Neuron reconstruction can provide the quantitative data required for measuring the neuronal morphology and is crucial in brain research. However, the difficulty in reconstructing dense neurites, wherein massive labor is required for accurate reconstruction in most cases, has not been well resolved. In this work, we provide a new pathway for solving this challenge by proposing the super-resolution segmentation network (SRSNet), which builds the mapping of the neurites in the original neuronal images and their segmentation in a higher-resolution (HR) space. During the segmentation process, the d
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.
Face scanners promise wide applications in medicine and dentistry, including facial recognition, capturing facial emotions, facial cosmetic planning and surgery, and maxillofacial rehabilitation. Higher accuracy improves the quality of the data recorded from the face scanner, which ultimately, will improve the outcome. Although there are various face scanners available on the market, there is no evidence of a suitable face scanner for practical applications. The aim of this in vitro study was to analyze the face scans obtained from four scanners; EinScan Pro (EP), EinScan Pro 2X Plus (EP+) (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.
PURPOSE: Fully automatic and accurate breast lesion segmentation is an essential and challenging task. In this paper, the authors develop a novel, effective, and fully automatic method for breast ultrasound (BUS) image segmentation.
METHODS: The segmentation method utilizes a novel phase feature to improve the image quality, and a novel neutrosophic clustering approach to detect the accurate lesion boundary. First, a region of interest is generated to cut off complex background. After speckle reduction, an enhancement algorithm based on phase in max-energy orientation (PMO) is developed to fu
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 treatment of androgenetic alopecia (AGA) is usually long lasting, and the effects of treatment attempts are difficult to measure. Consequently, there was a need for a sensitive tool to monitor hair loss and treatment response. Therefore, we developed the Trichoscan as a method which combines epiluminescence microscopy with automatic digital image analysis for the measurement of human hair. The Trichoscan is able to analyze all important parameters of hair growth (density, diameter, growth rate, vellus and terminal hair density) with an intraclass correlation of approximately 91% within the
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: This study characterizes the topographic changes induced by pterygia.
METHODS: Using data obtained from a videokeratoscope (TMS-1), we assessed the topographic changes of corneas from 24 consecutive eyes with pterygia.
RESULTS: Each pterygium induced a localized area of flattening central to its apex of 38.00 +/- 2.80 diopter (D) which was significantly flatter (p < .0001) than the mean corneal power (43.70 +/- 1.70), minimum corneal power (MinK, 42.70 +/- 2.10), and the power of the flattest corneal meridian (42.90 +/- 1.90).
CONCLUSIONS: Our topographic findings characterize 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.
We performed serial slit-lamp examinations and topography analysis on a patient whose initial topographic map suggested a diagnosis of keratoconus to us but which others interpreted as normal topography. Topography analysis documented cone progression during a two-year period. The initial map showed a cone apex power of 44.5 diopters located 2.1 mm inferior to the vertex normal. An oblong-shaped area of maximum power was surrounded by concentric bands of lower power. Corneal surface power ranged from 41.5 to 44.5 diopters. Two years later cone apex power increased to 51.0 diopters, and the pat
СтатьяПоддержка исследования: вне правительства СШАПоддержка службы здравоохранения 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.
Globally, breast cancer is one the life-threatening diseases among women. Breast histopathological image (HI) investigation is the most effective method applied for the recognition of cancer malignancy. Manual breast HI investigation is, still, time-consuming, abstract, and susceptible to human errors. Computer-aided diagnosis (CAD) became a possible and popular solution for medicinal image investigation owing to current developments in computer memory and power. Still, the CAD methods performance required to be enhanced to apply for practical reasons. In recent times, deep learning (DL) like
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.
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.