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
14160 публикаций
Поиск: 476 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 1054 с найденным полным текстом
In recent years, spinal x-ray image segmentation has played a vital role in the computer-aided diagnosis of various adolescent spinal disorders. However, due to the complex morphology of lesions and the fact that most existing methods are tailored to single-disease scenarios, current segmentation networks struggle to balance local detail preservation and global structural understanding across different disease types. As a result, they often suffer from limited accuracy, insufficient robustness, and poor adaptability. To address these challenges, we propose a novel fully automated spinal segmen
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.
Most diabetes patients are liable to have diabetic retinopathy (DR); however, the majority of them might not be even aware of the ailment. Therefore, early detection and treatment of DR are necessary to prevent vision loss. But, avoiding DR is not a simple process. An ophthalmologist can typically identify DR through an optical evaluation of the fundus and through the evaluation of color pictures. However, due to the increased count of DR patients, this could not be possible as it consumes more time. To rectify this problem, a novel deep ensemble-based DR classification technique is developed
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.
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
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.
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
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.
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
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.
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
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.
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.
Precise segmentation of medical images plays a crucial role in modern clinical practice, providing important foundations for the quantitative analysis of medical images and clinical decision making. However, although deep learning techniques have achieved significant success in conventional medical image segmentation, they still exhibit obvious limitations when faced with complex structure segmentation tasks such as colorectal cancer: high-quality medical data acquisition is not only difficult, but also even when data is relatively sufficient, the diverse morphological features of lesions cann
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 is crucial for clinical diagnosis and treatment planning. However, in complex scenarios, factors such as boundary ambiguity, annotation noise, and domain shift often lead models to be overconfident, limiting the interpretability and trustworthy deployability. To address this, we propose a "plug-and-play" evidence-guided framework for reliable medical image segmentation. By incorporating an evidential constraint to suppress "high-confidence but erroneous" predictions, and without altering the existing segmentation backbone architecture, we append a lightweight evident
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.
Deep learning has proven to be a suitable alternative to least squares (LSQ) fitting for parameter estimation in various quantitative MRI (QMRI) models. However, current deep learning implementations are not robust to changes in MR acquisition protocols. In practice, QMRI acquisition protocols differ substantially between different studies and clinical settings. The lack of generalizability and adoptability of current deep learning approaches for QMRI parameter estimation impedes the implementation of these algorithms in clinical trials and clinical practice. Neural Controlled Differential Equ
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.
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
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.
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.
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
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.
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.
PURPOSE: The aim of this work is to investigate if q-space trajectory imaging (QTI) waveforms can be designed to probe QTI metrics at a single centroid frequency under realistic experimental conditions for in vivo human brain imaging.
METHODS: Realistic diffusion encoding waveforms based on double-rotation gradient waveform and magic-angle spinning of the q-vector with varying encoding bandwidth, alignment of encoding spectra across encodings (tuning) and across axes (spectral isotropy) were designed to investigate the accuracy of the centroid frequency approximation. QTI metrics were compute
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.
BACKGROUND: Deep learning reconstruction (DLR) algorithms have begun replacing iterative reconstruction (IR) in CT. Besides the potential to reduce noise, the application of artificial intelligence can also allow for "super resolution," allowing traditional CT systems to produce images with improved spatial resolution by training against higher-resolution images. This study aims to characterize the image quality produced by a DLR "super resolution" algorithm.
PURPOSE: This study compares Canon's Precise IQ Engine (PIQE) Cardiac, a DLR algorithm, with the AIDR Enhanced 3D iterative reconstruct
СтатьяСравнительное 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.
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
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.