91 artigos
O artigo apresenta o DeepSparse, o primeiro modelo de fundação para reconstrução de CBCT com visão esparsa, que utiliza a arquitetura DiCE e o framework HyViP para superar os desafios de demanda computacional e generalização, permitindo imagens de alta qualidade com menor exposição à radiação.
Este estudo apresenta um modelo de GAN com penalização de variância, baseado na arquitetura pyramid pix2pix, que traduz imagens de histologia H&E em imagens de imuno-histoquímica (IHC) de alta fidelidade para avaliar a superexpressão de HER2 no câncer de mama, superando os métodos existentes em precisão e oferecendo uma alternativa eficiente e acessível para a oncologia de precisão.
Este artigo apresenta o TransUNet-GradCAM, um modelo híbrido que combina Transformers e U-Net para segmentar úlceras de pé diabético com alta precisão e interpretabilidade, demonstrando robusta generalização em conjuntos de dados externos sem necessidade de retreinamento.
O artigo apresenta o PANO, um operador neural consciente da física que realiza a inversão direta e em tempo real de dados brutos para imagens volumétricas 3D em tomografia fotoacústica, superando significativamente os algoritmos tradicionais e permitindo sistemas de aquisição mais acessíveis.
O artigo apresenta o UltraUPConvNet, uma rede neural multi-tarefa eficiente e baseada em UPerNet e ConvNeXt que realiza simultaneamente a segmentação de tecidos e a previsão de doenças em imagens de ultrassom, alcançando desempenho de ponta com menor custo computacional.
O artigo apresenta o CryoNet.Refine, um modelo de difusão de um único passo baseado em aprendizado profundo que automatiza e acelera o refinamento de modelos estrutuais de macromoléculas contra mapas de densidade de criomicroscopia eletrônica, superando em velocidade e qualidade as ferramentas tradicionais como o Phenix.real_space_refine.
Este artigo apresenta uma abordagem inovadora de imagem 3D que utiliza técnicas de Estrutura a partir do Movimento (SfM) em dispositivos móveis para reconstruir e segmentar pilhas de agregados, permitindo a análise de tamanho e forma para controle de qualidade em campo.
O artigo propõe um framework de reconhecimento de fala audiovisual para cenários sem recursos que utiliza dados visuais sintéticos gerados por sincronização labial de imagens estáticas com áudio real, demonstrando eficácia ao alcançar desempenho próximo ao estado da arte em catalão com menos dados e parâmetros que os métodos tradicionais.
Este artigo apresenta o primeiro uso de uma abordagem baseada em aprendizado profundo para segmentar imagens de tomografia de coerência óptica de baixo custo (SELF-OCT), demonstrando que uma rede neural convolucional combinada com um autoencoder denoising pode segmentar com alta precisão a retina total e corrigir erros causados por artefatos, embora a segmentação de descolamentos do epitélio pigmentar permaneça desafiadora.
O artigo apresenta o 3D-PIUNet, um método híbrido inovador que combina soluções físicas iniciais com redes neurais convolucionais 3D para melhorar significativamente a precisão espacial na reconstrução de fontes cerebrais a partir de sinais de EEG, superando tanto as abordagens tradicionais quanto as baseadas puramente em aprendizado de dados.
Este artigo propõe um método de fusão de imagens com poucos exemplos que introduz o conceito de "priors incompletos" e um algoritmo de computação de granularidade de pixel (GBPC) para permitir que redes neurais leves aprendam regras de fusão adaptativas sem a necessidade de imagens fundidas reais supervisionadas.
O artigo apresenta o PanSubNet, um modelo de aprendizado profundo interpretável que classifica subtipos moleculares clinicamente relevantes do câncer de pâncreas diretamente a partir de lâminas histológicas rotineiras (H&E), oferecendo uma alternativa rápida, econômica e generalizável aos métodos baseados em sequenciamento de RNA para estratificação prognóstica e preditiva.
O artigo apresenta o GOUHFI 2.0, uma nova ferramenta de aprendizado profundo que supera as limitações de softwares padrão para realizar segmentação cerebral, parcellação cortical e volumetria robustas em imagens de Ressonância Magnética de Ultra-Alto Campo (UHF-MRI), oferecendo resultados precisos independentemente de contraste, resolução ou população.
O artigo apresenta o ZACH-ViT, uma arquitetura compacta de Vision Transformer que elimina embeddings posicionais e o token [CLS] para processamento invariante a permutações, demonstrando que essa abordagem adaptativa supera ou compete com modelos tradicionais em cenários de poucos dados e imagens médicas onde a estrutura espacial é menos informativa.
O artigo apresenta o ARCHE, um framework de compressão de imagens aprendido de ponta a ponta que equilibra precisão de modelagem e eficiência computacional ao unificar priores hierárquicos, espaciais e de canal sem depender de componentes recorrentes ou baseados em transformers, alcançando eficiência taxa-distorção superior a codecs tradicionais e existentes com parâmetros moderados e tempo de execução rápido.
Este artigo propõe uma arquitetura FPGA pipeline otimizada para a busca de vetores de deslocamento na ferramenta de cópia de padrão intra (IPC) do JPEG XS, alcançando um alto rendimento e baixo consumo energético que viabiliza sua implementação prática em hardware.
Este artigo propõe um sistema adaptativo de transmissão semântica multimodal para comunicações via satélite que utiliza uma arquitetura gerativa de duplo fluxo e um módulo de decisão baseado em modelos de linguagem para otimizar a reconstrução sincronizada de áudio e vídeo, reduzindo o consumo de largura de banda e mantendo a alta fidelidade mesmo sob condições de canal adversas.
Este artigo apresenta o Diffusive INR (DINR), um framework de reconstrução que combina representações neurais implícitas com priores de difusão pré-treinados em dados sintéticos para realizar reconstruções 3D de alta qualidade de microestruturas de concreto em tomografia computacional de nêutrons com vistas esparsas, superando significativamente os métodos tradicionais em qualidade e precisão.
Este artigo propõe um método auto-supervisionado e leve para reconstrução de dados sísmicos, que utiliza uma estratégia de aprendizado de auto-consistência para superar a dependência de conjuntos de dados externos e garantir estabilidade, demonstrando alta qualidade na reconstrução de dados com distribuição irregular.
O artigo apresenta o ECLARE, um método de super-resolução auto-supervisionado que melhora a resolução de volumes de ressonância magnética anisotrópica ao estimar o perfil da fatia e aprender mapeamentos intra-volumes, superando métodos existentes em recuperação de sinal e tarefas subsequentes sem sofrer de deslocamento de domínio.