Internet of Things is smartly changing various existing research areas into new themes, including smart health, smart home, smart industry, and smart transport. Relying on the basis of “smart transport,” Internet of Vehicles (IoV) is evolving as a new theme of research and development from vehicular ad hoc networks (VANETs). This paper presents a comprehensive framework of IoV with emphasis on layered architecture, protocol stack, network model, challenges, and future aspects. Specifically, following the background on the evolution of VANETs and motivation on IoV an overview of IoV is presented as the heterogeneous vehicular networks. The IoV includes five types of vehicular communications, namely, vehicle-to-vehicle, vehicle-to-roadside, vehicle-to-infrastructure of cellular networks, vehicle-to-personal devices, and vehicle-to-sensors. A five layered architecture of IoV is proposed considering functionalities and representations of each layer. A protocol stack for the layered architecture is structured considering management, operational, and security planes. A network model of IoV is proposed based on the three network elements, including cloud, connection, and client. The benefits of the design and development of IoV are highlighted by performing a qualitative comparison between IoV and VANETs. Finally, the challenges ahead for realizing IoV are discussed and future aspects of IoV are envisioned.

Medical images have made a great impact on medicine, diagnosis, and treatment. The most important part of image processing is image segmentation. Many image segmentation methods for medical image analysis have been presented in this paper. In this paper, we have described the latest segmentation methods applied in medical image analysis. The advantages and disadvantages of each method are described besides examination of each algorithm with its application in Magnetic Resonance Imaging and Computed Tomography image analysis. Each algorithm is explained separately with its ability and features for the analysis of grey-level images. In order to evaluate the segmentation results, some popular benchmark measurements are presented in the final section.

This study highlights the increasing demand for battery-operated applications, particularly electric vehicles (EVs), necessitating the development of more efficient Battery Management Systems (BMS), particularly lithium-ion (Li-ion) batteries used in energy storage systems (ESS). This research addresses some of the key limitations of current BMS technologies, with a focus on accurately predicting the remaining useful life (RUL) of batteries, which is a critical factor for ensuring operational efficiency and sustainability. Real-time data are collected from sensors via an Internet of Things (IoT) device and processed using Arduino Nano, which extracts values for input into a Long Short-Term Memory (LSTM) model. This model employs the National Aeronautics and Space Administration (NASA) Li-battery dataset and current, voltage temperature, and cycle values to predict the battery RUL. The proposed model demonstrates significant forecasting precision, attaining a root mean square error (RMSE) of 0.01173, outperforming all comparative models. This improvement facilitates more effective decision-making in BMS, particularly in resource allocation and adaptability to transient conditions. However, the practical implementation of real-time data acquisition systems at a scale and across diverse environments remains challenging. Future research will focus on enhancing the generalizability of the model, expanding its applicability to broader datasets, and automating data ingestion to minimize integration challenges. These advancements are aimed at improving energy efficiency in both industrial and residential applications in accordance with the Sustainable Development Goals (SDGs) of the UN.

Background: Colon diseases are major global health issues that often require early detection and correct diagnosis to be effectively treated. Deep learning approaches and recent developments in medical imaging have demonstrated promise in increasing diagnostic accuracy. Objective: This work suggests that a Convolutional Neural Network (CNN) model paired with other models can detect different gastrointestinal (GI) abnormalities or diseases from endoscopic images via the fusion of residual blocks, including alpha dropouts (αDO) and auxiliary fusing layers Methods: To automatically diagnose colon disorders from medical images, this work explores the use of a fused deeplearning model that incorporates the EfficientNetB0, MobileNetV2, and ResNet50V2 architectures. By integrating these features, the fused model aims to improve the classification accuracy and robustness for various colon diseases. The proposed model incorporates an auxiliary fusion layer and a fusion residual block. By combining diverse features through an auxiliary fusion layer, the network can create more comprehensive and richer representations, capturing intricate patterns that might be missed by single-source processing. The fusion residual block incorporates residual connections, which help mitigate the vanishing gradient problem. By adding the input of the block directly to its output, these connections facilitate better gradient flow during backpropagation, allowing for deeper and more stable training. A wide range of endoscopic images are used to assess the proposed model, offering an accurate depiction of various disease scenarios Results: The proposed model, with an auxiliary fusion layer and residual blocks, exhibited an enormous reduction in overfitting and performance saturation. The proposed model achieved an impressive 98.03% training accuracy and 97.90% validation accuracy after evaluation, outperforming the majority of typically trained DCNNs in terms of efficiency and accuracy. Conclusion: The proposed method developed a lightweight model that correctly identifies disorders of the gastrointestinal (GI) tract by combining advanced techniques, including feature fusion, residual learning, and self-normalization.

Cervical cancer is one of the biggest challenges in global health, thus it forms a critical need for early detection technologies that could improve patient prognosis and inform treatment decisions. This development in the form of an early detection mechanism increases the chances of successful treatment and survival, as early diagnosis promptly offers interventions that can dramatically reduce the rate of deaths attributed to this disease. Here, a customized Convolutional Neural Network (CNN) model is proposed for cervical cancerous cell detection. It includes three convolutional layers with increasing filter sizes and max-pooling layers, followed by dropout and dense layers for improved feature extraction and robust learning. By using ResNet models as inspiration, the model further innovates by incorporating skip connections into the CNN design. By enabling direct feature transmission from earlier to later layers, skip links enhance gradient flow and help preserve important spatial information. By boosting feature propagation, this integration increases the model's ability to recognize minute patterns in cervical cell images, hence increasing classification accuracy. In our methodology, the SIPaKMeD dataset has been employed which contains 4049 cervical cell images that are arranged into five different categories. To address class imbalance, Generative Adversarial Networks (GANs) have been applied for data augmentation; that is, synthetic images have been created, that improve the diversity of the dataset and further enhance the robustness of the same. The present model is astonishingly accurate in classifying five cervical cell types: koilocytes, superficial-intermediate, parabasal, dyskeratotic, and metaplastic, thus significantly enhancing early detection and diagnosis of cervical cancer. The model gives an excellent performance because it has a validation accuracy of 99.11% and a training accuracy of 99.82%. It is a reliable model in the diagnosis of cervical cancerous cells because it ensures advancement in the computer-assisted cervical cancer detection system.