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
85175 публикаций
Поиск: 584 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 5814 с найденным полным текстом
IEEE transactions on image processing : a publication of the IEEE Signal Processing Society2026eng
Deep neural networks (DNNs) have recently become the leading method for low-light image enhancement (LLIE). However, despite significant progress, their outputs may still exhibit issues such as amplified noise, incorrect white balance, or unnatural enhancements when deployed in real-world applications. A key challenge is the lack of diverse, large-scale training data that captures the complexities of low-light conditions and imaging pipelines. In this paper, we propose an image signal processing (ISP)-driven data synthesis pipeline that addresses these challenges by generating scalable paired
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: Deep learning necessitates a substantial amount of data, yet obtaining sufficient medical images is difficult due to concerns about patient privacy and high collection costs.
METHODS: To address this issue, we propose a conditional latent diffusion model-based medical image enhancement network, referred to as the Medical Image Enhancement Network (MedIENet). To meet the rigorous standards required for image generation in the medical imaging field, a multi-attention module is incorporated in the encoder of the denoising U-Net backbone. Additionally Rotary Position Embedding (RoPE)
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.
Recent improvements in artificial intelligence and computer vision make it possible to automatically detect abnormalities in medical images. Skin lesions are one broad class of them. There are types of lesions that cause skin cancer, again with several types. Melanoma is one of the deadliest types of skin cancer. Its early diagnosis is at utmost importance. The treatments are greatly aided with artificial intelligence by the quick and precise diagnosis of these conditions. The identification and delineation of boundaries inside skin lesions have shown promise when using the basic image process
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.
To reproduce the tactile perception of multiple contacts on the human tongue surface, it is necessary to use a pressure measurement device with high spatial resolution. However, reducing the size of the array sensing unit and optimizing the lead arrangement still pose challenges. This article describes a deconvolution neural network (DNN) for improving the resolution of tongue surface tactile imaging, which alleviates this tradeoff between tactile sensing performance and hardware simplicity. The model can work without high-resolution tactile imaging data of tongue surface: First, in the compre
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.
Anal endosonography is a new technique that is useful in the preoperative assessment of patients with anal fistulas. Endosonographic images are created by the reflection of sound waves from the interfaces between tissues of varying densities. In order to accentuate tissue interface layers at the level of the fistula tract, we introduced hydrogen peroxide into the fistula tract through the external opening during anal ultrasonography in two patients with recurrent anal fistula. Hydrogen peroxide injection resulted in hyperechoic imaging of the preinjection hypoechoic horseshoe fistula tract. En
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.
State Space Models (SSMs) have emerged as a compelling backbone for vision tasks, offering linear complexity and global receptive fields. However, their application to Underwater Image Enhancement (UIE) is fundamentally constrained by the inherent mismatch between the standard sequential scanning mechanism and the unique statistical distribution of underwater scenes. Specifically, the dominance of large-scale, homogeneous background regions tends to overshadow the feature responses of sparse yet critical targets during state propagation, leading to the attenuation of semantic information and c
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.
Image interpretation of Barrett's esophagus (BE) with volumetric laser endomicroscopy (VLE) can be enhanced by image processing software that highlights established features using a color-graded scale (intelligent real-time image segmentation, IRIS). This study aims to provide a description of IRIS features of various gastroesophageal tissue types using histologic correlation. A database of 80 VLE laser-marked targets with histologic correlation was reviewed for various tissue types. IRIS was applied off-line to the VLE scans, laser-marked targets were identified, and feature review was perfor
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.
The increasing accumulation of waste in marine environments poses a serious threat to aquatic ecosystems and marine biodiversity. Effective detection and monitoring of this waste are crucial for environmental protection. However, underwater conditions such as poor lighting, turbidity, and color distortion make image-based detection highly challenging. Traditional enhancement methods often struggle to handle the visual inconsistency and unclear information present in underwater imagery, leading to reduced detection accuracy. To overcome these challenges, this paper introduces a novel Quadruple
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.
Video AI recognition is crucial for coal mine safety, but complex environments often yield low-quality images, hindering intelligent monitoring. Existing enhancement methods typically focus on image quality alone, lacking adaptability to specific tasks. Therefore, we propose Mine-DCE-YDT: a task-aware low-light image enhancement model that jointly optimizes enhancement with downstream object detection, ensuring enhanced images are both visually clearer and more conducive to accurate detection. Firstly, an improved Zero-DCE algorithm (Mine-DCE) is presented by introducing a Brightness-aware Mas
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.
Low-light image enhancement (LLIE) is essential for enabling reliable nighttime visual perception and improving the performance of downstream vision tasks, including object detection and image segmentation. Under complex illumination conditions, low-light images often suffer from insufficient luminance, loss of structural details, and unstable color reproduction. Existing methods struggle to simultaneously restore luminance, texture, and color in a coherent manner. This paper proposes a Hierarchical Adaptive Interaction Modulation Network (HAIMNet) designed for LLIE. The proposed method decoup
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.
Nighttime driving safety remains a critical challenge in modern transportation systems: insufficient ambient lighting significantly degrades visual perception quality, adversely affecting both human drivers and advanced driver-assistance systems (ADAS) and directly threatening road users' safety. Traditional image enhancement methods often suffer from color distortion and visual artifacts, whereas existing deep learning approaches typically require paired training data and incur substantial computational overhead. To address these limitations, this paper presents BLEN (bio-inspired low-light e
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.
Multilabel classification of tongue images plays a pivotal role in intelligent diagnosis within Traditional Chinese Medicine (TCM), enabling clinical decision-making through systematic analysis of the intricate relationships between tongue characteristics and pathological conditions. However, existing methods face critical imitations: (1) inadequate exploitation of label semantic information and local feature representations, leading to suboptimal cross-modal interaction efficiency; and (2) neglect of synergistic and complementary mechanism among hierarchical features (e.g., holistic and detai
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 degradation and attenuation of light in underwater images impose constraints on underwater vision tasks. However, the complexity and the low real-time performance of most current image enhancement algorithms make them challenging in practical applications. To address the above issues, we propose a new lightweight framework for underwater image enhancement. We adopt the curve estimation to learn the mapping between images rather than end-to-end networks, which greatly reduces the requirement for computing resources. Firstly, a designed iterative curve with parameters is used to simulate the
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: Image enhancement systems are important diagnostic tools in the detection of laryngeal pathologies. This study aimed to compare three different image enhancement systems: professional image enhancement technology, Image1 S and narrow-band imaging.
METHOD: Using the three systems, 100 patients with laryngeal lesions were investigated using a flexible and a 30° rigid endoscope. The lesions were diagnosed by three experts and classified using the Ni classification. The findings were compared.
RESULTS: Lesions classified as 'benign' were histopathologically confirmed in 50 per cent of
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.
Otology & neurotology : official publication of the American Otological Society, American Neurotology Society [and] European Academy of Otology and Neurotology2021eng
Supplemental Digital Content,http://links.lww.com/MAO/B68.
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.
Hyperspectral imaging (HSI) has been recognized as a powerful tool for noninvasive disease detection in the gastrointestinal field. However, most of the studies on HSI in this field have involved ex vivo biopsies or resected tissues. We proposed an image enhancement method based on in vivo hyperspectral gastroscopic images. First, we developed a flexible gastroscopy system capable of obtaining in vivo hyperspectral images of different types of stomach disease mucosa. Then, depending on a specific object, an appropriate band selection algorithm based on dependence of information was employed 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.
INTRODUCTION: Although digital cephalometric radiography is gaining popularity in orthodontic practice, the most important source of error in its tracing is uncertainty in landmark identification. Therefore, efforts to improve accuracy in landmark identification were directed primarily toward the improvement in image quality. One of the more useful techniques of this process involves digital image enhancement which can increase overall visual quality of image, but this does not necessarily mean a better identification of landmarks. The purpose of this study was to evaluate the effectiveness of
Сравнительное исследованиеСтатьяПоиск 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.
Aiming at the imbalance between accuracy and real-time of existing fatigue driving detection models, and the accuracy is lower in low illumination, an LDIE-FDNet (Lightweight Dynamic Image Enhancement-Enabled Real-time Fatigue Driving Detection Network) is designed. Enhance the image by MSR-LIENET (Multi-Scale Retinex-Based Low-Light Image Enhancement Network); Through GSConv_C3k2 module, lightweight design, efficient capture of remote context information, reduction of parameters and calculation, and variable convolution kernel design and feature segmentation and mosaic are adopted to enhance
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.
Retinal phenotype is crucial for the diagnosis of ophthalmic diseases. Although deep learning models exhibit strong generative capability and detailed reconstruction, they struggle to simultaneously capture fine local details and long-range global dependencies, resulting in poor phenotypic enhancement. To overcome these limitations, we propose VMDiff, a hybrid generative framework based on diffusion models that synergistically integrates CNN and Mamba architectures to enhance retinal images while preserving both local and global features. Specifically, we introduce a high-frequency extraction
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 recent years, single image super-resolution (SISR) based on deep learning has achieved excellent results. However, the consequent elevated computational and storage expenses limit its practicability in real life. Researchers seek a lightweight SISR network that minimizes computational load while maintaining high performance. To address this challenge, we introduce a general lightweight image super-resolution with sharpening enhancement and double attention network (ESDAN) to optimize the trade-off between model complexity and performance. The network achieves a balance between model complex
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.