深度学习在生物医药领域中的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量
1	2024-08-07	Adaptive template generation for amyloid PET using a deep learning approach 2018-09, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.24210 PMID:29752765	研究论文	本研究利用深度神经网络生成个体化的PET模板，以实现无需配准解剖磁共振成像的阿尔茨海默病评估中的淀粉样PET图像的精确空间归一化	提出了一种无需使用匹配的3D MRI图像，通过深度学习方法生成个体化PET模板的新技术，显著提高了MRI-less淀粉样PET评估的定量准确性	NA	开发一种新的方法，用于在无需3D MRI的情况下，对淀粉样PET图像进行空间归一化，以提高临床实践和研究中的分析效率	淀粉样PET图像的空间归一化	机器学习	阿尔茨海默病	深度神经网络	卷积自编码器（CAE）和生成对抗网络（GAN）	图像	使用了681对同时获取的C-PIB PET和T1加权3D MRI扫描数据，以及通过旋转527个随机选择的数据显示生成的685,100个增强数据进行训练，并用154个数据集进行验证
2	2024-08-07	DeepSSM: A Deep Learning Framework for Statistical Shape Modeling from Raw Images 2018-Sep, Shape in medical imaging : International Workshop, ShapeMI 2018, held in conjunction with MICCAI 2018, Granada, Spain, September 20, 2018 : proceedings. ShapeMI (Workshop) (2018 : Granada, Spain) DOI:10.1007/978-3-030-04747-4_23 PMID:30805572	研究论文	提出了一种名为DeepSSM的深度学习框架，用于直接从3D图像中提取低维形状表示，无需参数调整或用户协助	DeepSSM使用卷积神经网络（CNN）同时定位感兴趣的生物结构、建立对应关系，并将这些点投影到点分布模型中的低维形状表示中。此外，提出了一种新的数据增强程序，利用少量处理过的图像上的现有对应关系创建可信的训练样本	需要验证DeepSSM在更多应用场景中的有效性和泛化能力	开发一种无需复杂预处理操作的统计形状建模方法	儿童颅骨CT、股骨CT和左心房MRI图像	计算机视觉	NA	卷积神经网络（CNN）	CNN	3D图像	利用40-50个CT/MRI扫描生成数千个训练图像
3	2024-08-05	Brain Decoding from Functional MRI Using Long Short-Term Memory Recurrent Neural Networks 2018-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-030-00931-1_37 PMID:30320311	研究论文	本研究开发了一种基于深度学习的框架，通过LSTM递归神经网络对脑功能状态进行解码	利用LSTM RNN模型，基于个体特定的内在功能网络提取功能特征进行脑解码，克服了以往研究的局限	关于不同认知过程的特定时间点和时间窗口处理可能不够灵活	研究脑功能状态与不同认知过程之间的解码	任务功能成像数据中提取的功能特征	计算机视觉	NA	功能性核磁共振成像	LSTM	图像	使用HCP数据集中的任务fMRI数据进行评估
4	2024-08-05	Identification of Temporal Transition of Functional States Using Recurrent Neural Networks from Functional MRI 2018-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-030-00931-1_27 PMID:30320310	研究论文	本研究开发了一种基于深度学习的框架，用于自适应检测功能状态的动态转变	提出了一种在没有任何明确建模假设的情况下，采用递归神经网络进行时间序列建模以检测功能状态的变化	所提出的方法可能对不同类型的 fMRI 数据效果不一	了解支持不同认知过程的大脑功能活动	使用人类连接组项目获取的任务和静息态 fMRI 数据	数字病理学	NA	深度学习	递归神经网络 (RNN)	功能性磁共振成像 (fMRI) 数据	使用来自人类连接组项目的任务和静息态 fMRI 数据