Recent advances in medical applications for clot removal have enabled physicians to unblock blood vessel occlusions that occur in extremely narrow regions of the brain along the Horizontal (M1) segment of the middle cerebral artery. FDA approved, clinical trials have proven the significant cerebral recovery that can be achieved for victims of ischemic stroke when they undergo swift surgical intervention for clot re- moval. That said, carrying out such a delicate operation simultaneously requires extreme surgical expertise, and the ability to quickly identify the site of occlusion from 2D x-ray images of the brain. Fortunately, recent efforts in object detection and classification within the fields of deep learning and computer vision have dramatically improved the predictive power of the computer. Accordingly, the goal of this research project is to develop a deep learning model capable of accurately predicting the site of occlusion from frontal view cerebral angiograms in real time. Our current model utilizes YOLOv3 architecture and identifies the site of occlusion in 94.4% of all cases given a minimum 25% confidence threshold. Furthermore, in 83.97% of cases, the occlusion region is detected with at least 50% average intersection over union between the predicted region and the ground truth region. Finally, distributed over the entire validation set, the average intersection over union between the predicted region and the ground truth region was 74.29%.

Background Recent advancements in next-generation sequencing have rapidly improved our ability to study genomic material at an unprecedented scale. Despite substantial improvements in sequencing technologies, errors present in the data still risk confounding downstream analysis and limiting the applicability of sequencing technologies in clinical tools. Computational error-correction promises to eliminate sequencing errors, but the relative accuracy of error correction algorithms remains unknown.Results In this paper, we evaluate the ability of error-correction algorithms to fix errors across different types of datasets that contain various levels of heterogeneity. We highlight the advantages and limitations of computational error correction techniques across different domains of biology, including immunogenomics and virology. To demonstrate the efficacy of our technique, we apply the UMI-based high-fidelity sequencing protocol to eliminate sequencing errors from both simulated data and the raw reads. We then perform a realistic evaluation of error correction methods.Conclusions In terms of accuracy, we find that method performance varies substantially across different types of datasets with no single method performing best on all types of examined data. Finally, we also identify the techniques that offer a good balance between precision and sensitivity

Metagenomics studies leverage genomic reference databases to generate discoveries in basic science and translational research. However, current microbial studies use disparate reference databases that lack consistent standards of specimen inclusion, data preparation, taxon labelling and accessibility, hindering their quality and comprehensiveness, and calling for the establishment of recommendations for reference genome database assembly. Here, we analyze existing fungal and bacterial databases and discuss guidelines for the development of a master reference database that promises to improve the quality and quantity of omics research.