91 articoli
Il paper presenta DeepSparse, il primo modello fondazionale per la ricostruzione CBCT a viste sparse, che combina l'architettura DiCE e la strategia di pre-addestramento HyViP per ottenere immagini di alta qualità riducendo l'esposizione alle radiazioni e migliorando la generalizzabilità rispetto ai metodi esistenti.
Questo studio presenta un framework di deep learning basato su una GAN con penalità di varianza che trasforma immagini istologiche H&E in immagini IHC ad alta fedeltà per la valutazione precisa dell'HER2 nel cancro al seno, superando le prestazioni dei modelli esistenti e offrendo un'alternativa economica e scalabile alla diagnostica tradizionale.
Questo studio presenta TransUNet-GradCAM, un modello ibrido Transformer-U-Net che combina meccanismi di attenzione globale e locali per ottenere un'accurata segmentazione e visualizzazione spiegabile delle ulcere diabetiche del piede, dimostrando elevate prestazioni e robusta trasferibilità su dataset clinici esterni senza necessità di riaddestramento.
Il paper introduce PANO, un operatore neurale fisico-consapevole che esegue un'inversione diretta in un singolo passaggio per la tomografia fotoacustica 3D, superando i metodi tradizionali e permettendo ricostruzioni di alta qualità da acquisizioni sparse in tempo reale.
Il paper presenta UltraUPConvNet, un framework universale ed efficiente basato su UPerNet e ConvNeXt che, addestrato su un ampio dataset di oltre 9.700 annotazioni, unifica con prestazioni all'avanguardia la segmentazione dei tessuti e la previsione delle malattie nelle immagini ecografiche riducendo al contempo il carico computazionale.
Il paper presenta CryoNet.Refine, un modello di diffusione deep learning a un singolo passaggio che automatizza e accelera il raffinamento dei modelli strutturali in mappe di densità Cryo-EM, superando i metodi tradizionali in termini di velocità e qualità geometrica.
Questo articolo presenta un approccio innovativo basato su tecniche di Structure-from-Motion e segmentazione 3D che permette di ricostruire e analizzare la forma e le dimensioni degli aggregati direttamente dalle foto o video acquisiti con dispositivi mobili, offrendo una soluzione economica e pratica per il controllo qualità in cantiere.
Il paper propone un framework di riconoscimento del parlato audiovisivo (AVSR) per scenari privi di risorse, che utilizza stream visivi sintetici generati tramite sincronizzazione labiale su immagini statiche per addestrare modelli su lingue come il catalano, ottenendo prestazioni vicine allo stato dell'arte e superiori ai baselines audio-only.
Questo articolo presenta un approccio basato sul deep learning che utilizza una rete neurale convoluzionale e un autoencoder denoising per segmentare con alta accuratezza la retina e rilevare i distacchi dell'epitelio pigmentoso in immagini OCT a basso costo destinate all'autosorveglianza domiciliare della degenerazione maculare legata all'età.
Il paper propone il metodo ibrido 3D-PIUNet, che migliora la ricostruzione delle sorgenti cerebrali EEG integrando una stima iniziale basata sulla fisica con una rete neurale 3D U-Net per affinare la soluzione, ottenendo una maggiore accuratezza spaziale rispetto ai metodi tradizionali e puramente data-driven.
Questo articolo propone un nuovo approccio per la fusione di immagini in pochi esempi che, sfruttando i "priors granulari" (incompleti) calcolati tramite l'algoritmo GBPC e un'adattiva funzione di perdita, permette a una rete neurale leggera di apprendere regole di fusione efficaci senza bisogno di immagini fuse reali come supervisione.
Il paper presenta PanSubNet, un framework di deep learning interpretabile che, analizzando direttamente le istologie standard H&E, predice i sottotipi molecolari clinicamente rilevanti del carcinoma pancreatico con alta accuratezza e valore prognostico, offrendo un'alternativa rapida ed economica ai costosi test genomici.
Il paper introduce GOUHFI 2.0, un nuovo toolbox di deep learning che, grazie a una strategia di randomizzazione del dominio e a due reti 3D U-Net addestrate su dati eterogenei, risolve le sfide della segmentazione cerebrale e della parcellizzazione corticale a risoluzione ultra-alta (UHF-MRI), offrendo per la prima volta una soluzione robusta e automatizzata per l'analisi volumetrica in questo contesto.
Il paper introduce ZACH-ViT, un Vision Transformer compatto per l'imaging medico che rimuove le codifiche posizionali e il token [CLS] per ottenere un'elaborazione permutazionale invariante, dimostrando prestazioni competitive in scenari con pochi dati e un vantaggio regime-dipendente che massimizza l'efficacia su dataset con layout spaziali meno informativi.
Il paper presenta ARCHE, un framework di compressione di immagini appreso end-to-end che, unificando prior gerarchici, spaziali e di canale senza ricorrere a componenti ricorrenti o transformer, raggiunge un'efficienza rate-distorsione all'avanguardia con un'ottima efficienza computazionale.
Questo articolo presenta un'architettura FPGA pipeline ottimizzata per la ricerca del vettore di spostamento nello strumento Intra Pattern Copy di JPEG XS, che raggiunge una velocità di elaborazione di 38,3 Mpixels/s con un consumo di 277 mW, facilitando così l'implementazione hardware pratica di questa tecnica di compressione.
Questo articolo propone un sistema di trasmissione semantica adattivo per comunicazioni satellitari che, sfruttando un'architettura generativa multimodale e un modulo decisionale basato su modelli linguistici, garantisce una ricostruzione audiovisiva sincronizzata ad alta fedeltà riducendo il consumo di banda e migliorando la robustezza in condizioni di canale variabili.
Il paper presenta DINR, un nuovo framework di inversione tomografica che combina rappresentazioni neurali implicite con un prior generativo basato su diffusione per ottenere ricostruzioni 3D ad alta qualità di dati di tomografia a neutroni da viste sparse, superando le limitazioni dei metodi tradizionali anche in condizioni di dati estremamente ridotti.
Questo studio propone un metodo di ricostruzione dei dati sismici basato sull'apprendimento auto-supervisionato e sulla coerenza interna, che utilizza una rete leggera priva di dataset esterni per ottenere ricostruzioni di alta qualità in condizioni di acquisizione irregolare.
Il paper presenta ECLARE, un metodo di super-risoluzione efficiente e auto-apprendente che migliora la risoluzione anisotropa dei volumi MR clinici stimando il profilo della slice e apprendendo direttamente dai dati acquisiti, superando così le limitazioni delle tecniche esistenti senza subire problemi di spostamento di dominio.