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: 193 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 1054 с найденным полным текстом
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.
Four patients with congenital dislocation of the hip (CDH) were studied on a research basis with three-dimensional computed tomography (3-D CT) or, alternatively, with three-dimensional magnetic resonance imaging (3-D MR). 3-D CT and 3-D MR proved useful in demonstrating the extent of anterior and posterior acetabular coverage. 3-D CT was limited to patients greater than 6 months of age with ossified femoral heads. 3-D MR, in contrast to 3-D CT, demonstrated the cartilaginous femoral head in children less than 6 months of age, while avoiding gonadal irradiation. Both 3-D CT and 3-D MR appear p
Клинический случайСтатьяПоиск 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.
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.
OBJECTIVES: This study evaluated the usefulness of artificial intelligence (AI) algorithms as tools in improving the accuracy of histologic classification of breast tissue.
METHODS: Overall, 100 microscopic photographs (test A) and 152 regions of interest in whole-slide images (test B) of breast tissue were classified into 4 classes: normal, benign, carcinoma in situ (CIS), and invasive carcinoma. The accuracy of 4 pathologists and 3 pathology residents were evaluated without and with the assistance of algorithms.
RESULTS: In test A, algorithm A had accuracy of 0.87, with the lowest accuracy
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2018eng
Accurate optic disc (OD) segmentation is a fundamental step in computer-aided ocular disease diagnosis. In this paper, we propose a new pipeline to segment OD from retinal fundus images based on deep object detection networks. The fundus image segmentation problem is redefined as a relatively more straightforward object detection task. This then allows us to determine the OD boundary simply by transforming the predicted bounding box into a vertical and non-rotated ellipse. Using Faster R-CNN as the object detector, our method achieves state-of-the-art OD segmentation results on ORIGA dataset,
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.
Fundus images are widely used in early retinopathy examination to prevent visual impairment caused by retinopathy. The retinopathy examination process based on fundus images can be mainly summarized in three steps: (1) ophthalmologists obtain comprehensive fundus information by jointly analyzing multi-view fundus images; (2) ophthalmologists obtain complementary lesion information by contrastingly analyzing multi-modal fundus images; (3) ophthalmologists diagnose retinopathy categories and write specialized fundus reports. To simulate the clinical fundus image examination process, we introduce
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.
Cancer is one of the leading causes of death worldwide. As the cause of one in six deaths, cancer causes a financial and emotional burden on individuals and a socio-economic burden on societies. Early detection of cancer significantly increases the chances of survival. In this study, we propose a computer-aided cancer diagnosis method that detects cancer on histopathologic images using current image processing and deep learning techniques and is intended to help diagnostic decision making. A stacking-based ensemble learning model using transfer learning is developed for the proposed cancer dia
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.
Image-based computer-aided diagnosis (CAD) algorithms by the use of convolutional neural network (CNN) which do not require the image-feature extractor are powerful compared with conventional feature-based CAD algorithms which require the image-feature extractor for classification of lung abnormalities. Moreover, computer-aided detection and segmentation algorithms by the use of CNN are useful for analysis of lung abnormalities. Deep learning will improve the performance of CAD systems dramatically. Therefore, they will change the roles of radiologists in the near future. In this article, we i
СтатьяОбзорПолный 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.
Ultrasound imaging is widely used for early breast cancer screening to enhance patient survival. However, interpreting these images is inherently challenging due to speckle noise, low lesion-to-tissue contrast, and highly variable tumor morphology within complex anatomical structures. Additionally, variations in image characteristics across institutions and devices further impede the development of robust and generalizable computer-aided diagnostic systems. To alleviate these issues, this paper presents a cross-domain segmentation prior guided classification strategy for robust breast tumor di
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.
OBJECTIVE: To verify the applicability of retinal image quality (RIQ) models in real-world diabetic retinopathy screening for uncovering actionable insights to improve imaging protocols.
MATERIALS AND METHODS: NaIA-RD, a custom AI system developed by the University Hospital of Navarre (Spain) for diabetic retinopathy screening, was employed to monitor retinal image quality (RIQ) across multiple imaging sites within the hospital. A large retrospective dataset consisting of 55,801 routine retinal images collected over a period of 3.6 years was compiled for this purpose. Additionally, two convol
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.
Alzheimer's Disease (AD) is a progressive neurodegenerative disorder characterized by cognitive decline and memory loss. Magnetic Resonance Imaging (MRI) plays a key role in detecting AD in Computer-aided Diagnosis (CAD) systems. However, variations in MRI scanners and imaging protocols introduce domain shifts, which significantly degrade model performance. Additionally, CAD models may misdiagnose unfamiliar neurodegenerative diseases not represented during training. In these complex and diverse clinical scenarios, employing closed set domain adaptation methods to achieve accurate diagnosis of
СтатьяПоддержка правительства СШАПоддержка исследования: вне правительства СШАПоддержка NIH: внешняя программаПоиск 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), a common diabetic complication, stands as a primary cause of retinal blindness. Rapid automatic DR grading is a crucial approach for prevention. Although deep learning has shown promising results in automated DR grading, its deployment in clinical settings remains challenging due to variations in imaging devices, lighting conditions and other conditions in different hospitals. This study explores the problem of decreased generalization performance in DR grading, stemming from variations in the distributions of the source and target domains, namely addressing the doma
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
Hair and scalp-related diseases often go unnoticed in the initial stages and patients sometimes cannot differentiate between hair loss and regular hair fall. Diagnosing hair related diseases is time-consuming as it requires professional dermatologists to perform visual and medical tests. There are some works reported in literature which perform binary classification of whether the person has alopecia or not. Often, clinicians calculate SALT, Ludwig or Norwood scores to detect the stage of alopecia. This would require a patient's scalp view from top, front, sides and back, which acts as a const
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: Currently, it is difficult to find a solution to the inverse inappropriate problem, which involves restoring a high-resolution image from a lowresolution image contained within a single image. In nature photography, one can capture a wide variety of objects and textures, each with its own characteristics, most notably the high-frequency component. These qualities can be distinguished from each other by looking at the pictures.
OBJECTIVE: The goal is to develop an automated approach to identify thyroid nodules on ultrasound images. The aim of this research is to accurately differen
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.
Polycystic Ovary Syndrome (PCOS) is a widespread endocrinological dysfunction impacting women of reproductive age, categorized by excess androgens and a variety of associated syndromes, consisting of acne, alopecia, and hirsutism. It involves the presence of multiple immature follicles in the ovaries, which can disrupt normal ovulation and lead to hormonal imbalances and associated health complications. Routine diagnostic methods rely on manual interpretation of ultrasound (US) images and clinical assessments, which are time-consuming and prone to errors. Therefore, implementing an automated s
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.
Retinal image segmentation is essential for analyzing retinal structures like vessels and diagnosing retinopathy. However, the inherent intricacy of the retina, along with annotation scarcity and data heterogeneity, presents prevalent challenges in creating accurate and generalizable deep learning models. Diffusion models, while initially developed for image generation, have recently shown great promise for visual perception by leveraging the learned internal representations. However, these diffusion representations, which spread across network blocks (space) and diffusion timesteps (time), po
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 segmentation of skin lesions in dermoscopy images remains challenging due to the scarcity of densely annotated medical images, as manual pixel-level annotation demands significant expert effort. Conversely, textual descriptions are more readily obtainable and can potentially provide rich semantic context for improving segmentation models. In this paper, we propose a novel framework leveraging text-guided pseudo descriptions to enhance semi-supervised skin lesion segmentation. Our approach capitalizes on the emerging capabilities of vision large-language models to generate approximate
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.
Echocardiography video segmentation is critical for cardiovascular disease diagnosis. However, it still suffers from the challenge of dual-level bias. This challenge derives from the frame-level bias in temporal dimension and the object-level bias in the spatial dimension on echocardiography video. To overcome this challenge, we propose a spatial-temporal consistency (STC) model based on semi-supervised learning for echocardiography video segmentation. This model aligns and fuses inter-frame and inter-object context-aware feature representations. First, the STC explores a temporal context-awar
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.
Deep learning (DL)-based pathological image modelling and analysis approaches offer transformative potential for early cancer diagnostics, yet limited sample sizes and a lack of interpretability often hinder efficient clinical translation. Here, we present the interpretable Multi-Task Digital Pathology Model (iMDPath), an end-to-end, highly explainable multi-task deep learning framework that simultaneously addresses these challenges by integrating data augmentation, diagnostic prediction, and visualization of pathological image features. The iMDPath comprises three modules: Augmentation (iMDPa
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.