Covid-19 is a rapidly spreading viral disease that infects not only humans, but animals are also infected because of this disease. The daily life of human beings, their health, and the economy of a country are affected due to this deadly viral disease. Covid-19 is a common spreading disease, and till now, not a single country can prepare a vaccine for COVID-19. A clinical study of COVID-19 infected patients has shown that these types of patients are mostly infected from a lung infection after coming in contact with this disease. Chest x-ray (i.e., radiography) and chest CT are a more effective imaging technique for diagnosing lunge related problems. Still, a substantial chest x-ray is a lower cost process in comparison to chest CT. Deep learning is the most successful technique of machine learning, which provides useful analysis to study a large amount of chest x-ray images that can critically impact on screening of Covid-19. In this work, we have taken the PA view of chest x-ray scans for covid-19 affected patients as well as healthy patients. After cleaning up the images and applying data augmentation, we have used deep learning-based CNN models and compared their performance. We have compared Inception V3, Xception, and ResNeXt models and examined their accuracy. To analyze the model performance, 6432 chest x-ray scans samples have been collected from the Kaggle repository, out of which 5467 were used for training and 965 for validation. In result analysis, the Xception model gives the highest accuracy (i.e., 97.97%) for detecting Chest X-rays images as compared to other models. This work only focuses on possible methods of classifying covid-19 infected patients and does not claim any medical accuracy.

Face mask detection had seen significant progress in the domains of Image processing and Computer vision, since the rise of the Covid-19 pandemic. Many face detection models have been created using several algorithms and techniques. The proposed approach in this paper uses deep learning, TensorFlow, Keras, and OpenCV to detect face masks. This model can be used for safety purposes since it is very resource efficient to deploy. The SSDMNV2 approach uses Single Shot Multibox Detector as a face detector and MobilenetV2 architecture as a framework for the classifier, which is very lightweight and can even be used in embedded devices (like NVIDIA Jetson Nano, Raspberry pi) to perform real-time mask detection. The technique deployed in this paper gives us an accuracy score of 0.9264 and an F1 score of 0.93. The dataset provided in this paper, was collected from various sources, can be used by other researchers for further advanced models such as those of face recognition, facial landmarks, and facial part detection process.

Aim – To evaluate the effectiveness of the YOLOv8 algorithm for automatic segmentation of demyelination lesions in various locations in patients with multiple sclerosis. Material and methods. The study included 120 patients with a clinically confirmed diagnosis of multiple sclerosis who underwent contrast-enhanced MRI. MRI data from patients with different types of disease progression were analyzed. T1-weighted, T2-weighted, and FLAIR sequences were used for analysis. The YOLOv8 algorithm was adapted for medical imaging and trained on manually annotated MRI scans. Model performance was evaluated using precision, recall, and F1-Score metrics. Results. The YOLOv8 model demonstrated high segmentation performance with a precision of 0,79, recall of 00,73, and F1-Score of 0.65. The model effectively identified demyelination lesions in various locations typical for multiple sclerosis. However, there remains a need to improve recall to minimize missed lesions. Testing on independent data confirmed the stability of the model’s results. Conclusion. The YOLOv8 algorithm shows significant potential for automatic segmentation of demyelination lesions in multiple sclerosis patients. This method could be successfully implemented in clinical practice, enabling faster diagnosis and improved monitoring of disease progression. Further optimization of the model, through data augmentation techniques and hybrid architectures, may enhance both segmentation accuracy and recall.

<p dir="ltr"><span>Magnetoencephalography (MEG) has become a pioneering technology in Brain-Computer Interfaces (BCIs) for neurorehabilitation, which significantly improves communication and motor rehabilitation for people with neurological conditions, especially stroke survivors. MEG-based BCIs allow users to regain control over their motor and cognitive functions by providing precise temporal and spatial resolution for detecting neural activity. The MEG has several benefits including reduced distortion from the skull and scalp, its non-invasive nature, and the ability to capture deep brain activity, all of which enhance the effectiveness of BCI systems. This study focuses on classifying motor and cognitive tasks using various models, including Recurrent Neural Networks (RNNs), one-dimensional Convolutional Neural Networks (1DCNNs), and a hybrid approach. The effectiveness of the models in classification tasks was evaluated using various metrics such as accuracy, recall, precision, and F1-score. Significantly, the hybrid model exhibited enhanced performance relative to the other models, achieving marked improvements in both classification accuracy and robustness. These results underscore the promise of MEG BCI technology for neurorehabilitation and stress the need for the development of sophisticated classification models to support the recovery of motor and cognitive abilities in people with neurological conditions. This study adds to the expanding research focused on enhancing the quality of life for affected individuals by utilizing innovative BCI solutions, leveraging the unique capabilities of MEG technology to enable more effective neurorehabilitation interventions.</span></p>