91 artículos
El artículo presenta DeepSparse, el primer modelo fundacional para la reconstrucción de CBCT de vistas escasas, que utiliza la arquitectura DiCE y el marco HyViP para lograr una alta calidad de imagen con menor radiación y una mejor generalización que los métodos existentes.
Este estudio presenta un marco de aprendizaje profundo basado en una GAN penalizada por varianza que transforma imágenes de tinción H&E en imágenes de inmunohistoquímica (IHC) de alta fidelidad para la evaluación precisa de HER2 en cáncer de mama, superando a los modelos existentes en métricas de calidad y ofreciendo una alternativa rentable y escalable a los diagnósticos tradicionales.
Este artículo presenta TransUNet-GradCAM, un modelo híbrido que combina transformadores y U-Net para lograr una segmentación precisa y explicativa de úlceras diabéticas en los pies, demostrando un alto rendimiento y capacidad de generalización en múltiples conjuntos de datos clínicos externos.
El artículo presenta PANO, un operador neuronal consciente de la física que realiza una inversión directa en tomografía fotoacústica 3D, logrando reconstrucciones de alta calidad en tiempo real y superando significativamente a los algoritmos tradicionales en diversos escenarios de adquisición escasa.
El artículo presenta UltraUPConvNet, un marco universal eficiente computacionalmente basado en UPerNet y ConvNeXt que realiza simultáneamente la segmentación de tejidos y la predicción de enfermedades en imágenes de ultrasonido, logrando un rendimiento de vanguardia con menos sobrecarga computacional.
CryoNet.Refine es un modelo de difusión de un solo paso que automatiza y acelera el refinamiento de estructuras moleculares a partir de mapas de densidad de criomicroscopía electrónica, superando en velocidad y precisión a los métodos tradicionales como Phenix y Rosetta.
Este artículo presenta un enfoque innovador de reconstrucción y segmentación 3D de pilas de áridos mediante técnicas de Estructura a partir del Movimiento (SfM) y algoritmos de segmentación aplicados a imágenes de dispositivos móviles, con el objetivo de facilitar el análisis de tamaño y forma para tareas de aseguramiento y control de calidad en el campo.
Este artículo presenta un marco de reconocimiento de habla audiovisual para recursos cero que utiliza datos visuales sintéticos generados a partir de imágenes estáticas y audio real, logrando un rendimiento cercano al estado del arte en catalán y superando a los baselines de solo audio.
Este artículo presenta un enfoque basado en aprendizaje profundo que utiliza una red neuronal convolucional y un autoencoder de denoising para segmentar con alta precisión la retina y detectar desprendimientos del epitelio pigmentario en imágenes de tomografía de coherencia óptica de bajo costo para el monitoreo domiciliario de la degeneración macular asociada a la edad.
El artículo presenta 3D-PIUNet, un método híbrido que mejora la reconstrucción de fuentes cerebrales en EEG al inicializar una red neuronal 3D con una solución física inversa, logrando así una mayor precisión espacial que los enfoques tradicionales y de aprendizaje profundo puros.
Este artículo propone un nuevo enfoque de fusión de imágenes de pocos ejemplos que introduce el concepto de "priors incompletos" y un algoritmo de cálculo de píxeles de bolas granulares (GBPC) para permitir que una red neuronal ligera aprenda reglas de fusión adaptativas y generalizables sin necesidad de imágenes fusionadas reales como supervisión.
El estudio presenta PanSubNet, un marco de aprendizaje profundo interpretable que predice los subtipos moleculares clínicamente relevantes del cáncer de páncreas directamente a partir de histopatología rutinaria (tinción H&E), superando las limitaciones de costo y tiempo de los métodos genómicos tradicionales y ofreciendo una herramienta viable para la estratificación pronóstica y la oncología de precisión.
El artículo presenta GOUHFI 2.0, una herramienta de aprendizaje profundo actualizada que ofrece segmentación cerebral, parcellación cortical y volumetría robustas y precisas para imágenes de resonancia magnética de ultra alto campo, superando las limitaciones de los métodos estándar actuales.
El artículo presenta ZACH-ViT, un transformador de visión compacto que elimina las codificaciones posicionales y el token [CLS] para lograr un procesamiento de parches invariante a permutaciones, demostrando que esta arquitectura adaptada a la estructura de los datos médicos alcanza un rendimiento competitivo en escenarios de pocos datos, especialmente cuando la disposición espacial es débilmente informativa.
El artículo presenta ARCHE, un marco de compresión de imágenes aprendido de extremo a extremo que equilibra precisión y eficiencia computacional mediante un diseño convolucional unificado, logrando una eficiencia tasa-distorsión superior a los codecs tradicionales y modelos autoregresivos existentes sin depender de componentes recurrentes o basados en transformadores.
Este artículo presenta un diseño eficiente y pipeline en FPGA para el módulo de búsqueda de vectores de desplazamiento de la herramienta de Copia de Patrón Intrínseco (IPC) en JPEG XS, logrando un alto rendimiento y bajo consumo energético que facilita su implementación práctica en hardware.
Este artículo propone un sistema de transmisión semántica multimodal adaptativo para comunicaciones satelitales que, mediante una arquitectura generativa dual y un módulo de decisión basado en modelos de lenguaje, optimiza el ancho de banda y garantiza una reconstrucción audiovisual sincronizada de alta fidelidad al transmitir dinámicamente solo la modalidad más crítica y generar la otra en función de las condiciones del canal.
Este artículo presenta DINR, un marco de inversión de tomografía computarizada difusiva que regulariza las representaciones neuronales implícitas mediante priores de difusión preentrenados en datos sintéticos para lograr reconstrucciones 3D de alta calidad de microestructuras de concreto a partir de datos de tomografía computarizada de neutrones con vistas escasas, superando significativamente a los métodos tradicionales en términos de calidad de imagen y caracterización estructural.
Este trabajo propone un método de reconstrucción de datos sísmicos auto-supervisado basado en aprendizaje de auto-consistencia y una red ligera que, al aprovechar las correlaciones entre componentes sin necesidad de conjuntos de datos externos, logra una reconstrucción de alta calidad para aplicaciones de exploración sísmica compleja.
El artículo presenta ECLARE, un método de superresolución autocontenido que mejora la resolución anisotrópica en volúmenes de resonancia magnética 2D mediante el aprendizaje de parches intraplanares y la estimación del perfil de corte, superando a las técnicas existentes al evitar el desplazamiento de dominio y lograr un mejor rendimiento en tareas posteriores sin necesidad de datos externos.