深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 27 篇文献，本页显示第 21 - 27 篇。
| 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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2024-08-07 |
A photometric stereo-based 3D imaging system using computer vision and deep learning for tracking plant growth
2019-05-01, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giz056
PMID:31127811
|
研究论文 | 本文介绍了一种基于光度立体技术的低成本便携式3D植物表型平台PS-Plant，用于跟踪和预测不同环境下植物的生长表现 | 首次将光度立体技术应用于植物表型分析，并开发了定制的计算机视觉算法和深度神经网络架构 | NA | 提高自动化植物表型分析的准确性，并加速表型与基因型之间的联系 | 模型植物拟南芥在不同环境下的生长结构 | 计算机视觉 | NA | 光度立体技术 | 深度神经网络 | 图像 | 221个手动注释的拟南芥花序，共1,768张图像 | NA | NA | NA | NA |
| 22 | 2024-08-07 |
Genetic Diversity in Stomatal Density among Soybeans Elucidated Using High-throughput Technique Based on an Algorithm for Object Detection
2019-05-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-019-44127-0
PMID:31110228
|
研究论文 | 本文开发了一种基于深度学习对象检测算法的高通量技术，用于评估和阐明大豆中气孔密度的变异 | 引入单次多框检测器算法，实现对微观图像中气孔的高通量自动识别 | NA | 开发高通量技术评估大豆气孔密度并阐明其变异 | 大豆的气孔密度 | 计算机视觉 | NA | 单次多框检测器 | CNN | 图像 | 90种大豆品系 | NA | NA | NA | NA |
| 23 | 2024-08-07 |
DEEPred: Automated Protein Function Prediction with Multi-task Feed-forward Deep Neural Networks
2019-05-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-019-43708-3
PMID:31089211
|
研究论文 | 本文提出了一种名为DEEPred的多任务前馈深度神经网络，用于基于基因本体（GO）的蛋白质功能预测 | DEEPred通过严格的超参数测试优化，并使用三种类型的蛋白质描述符、不同大小的训练数据集和不同级别的GO术语进行基准测试。此外，还探索了使用更大但可能含有噪声的数据进行训练对性能的影响 | NA | 开发一种自动化的蛋白质功能预测方法，以改进对未表征蛋白质序列的注释 | 蛋白质功能预测 | 机器学习 | NA | 深度学习 | 多任务前馈深度神经网络 | 蛋白质描述符、GO术语 | 使用CAFA2和CAFA3挑战数据集进行性能评估 | NA | NA | NA | NA |
| 24 | 2024-08-07 |
Detection and classification the breast tumors using mask R-CNN on sonograms
2019-May, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000015200
PMID:31083152
|
研究论文 | 本研究利用Mask R-CNN技术在超声图像上自动检测、分割和分类乳腺肿瘤 | 开发了一种基于深度学习的技术，使用Mask R-CNN进行肿瘤检测和良恶性区分 | NA | 构建一个模型，用于超声图像上乳腺肿瘤的自动检测、分割和分类 | 乳腺肿瘤 | 计算机视觉 | 乳腺癌 | Mask R-CNN | CNN | 图像 | NA | NA | NA | NA | NA |
| 25 | 2024-08-07 |
Incorporation of a spectral model in a convolutional neural network for accelerated spectral fitting
2019-05, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.27641
PMID:30666698
|
研究论文 | 本文介绍了一种结合卷积神经网络和光谱模型的无监督深度学习架构，用于加速大脑体积磁共振波谱成像（MRSI）的光谱拟合 | 提出了一种新的卷积编码器-模型解码器（CEMD）架构，结合了自适应和无偏的卷积网络与磁共振模型，具有良好的可解释性 | NA | 开发一种能够快速进行全脑数据光谱拟合的新架构，以促进临床常规实践 | 大脑体积MRSI数据在胶质母细胞瘤患者中的光谱拟合 | 机器学习 | 肿瘤 | 磁共振波谱成像（MRSI） | 卷积神经网络（CNN） | 光谱数据 | 约10,000个光谱 | NA | NA | NA | NA |
| 26 | 2024-08-05 |
BIRNet: Brain image registration using dual-supervised fully convolutional networks
2019-05, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2019.03.006
PMID:30939419
|
研究论文 | 本文提出了一种通过预测变形从图像外观进行图像配准的深度学习方法 | 设计了一种全卷积网络，采用双重指导来避免过度依赖训练变形场的监督 | 获取训练的真实变形场可能具有挑战性 | 研究如何通过深度学习实现脑部图像的配准 | 脑部图像 | 计算机视觉 | NA | 深度学习 | 全卷积网络 | 图像 | 多种数据集的实验 | NA | NA | NA | NA |
| 27 | 2024-08-07 |
AFAR: A Deep Learning Based Tool for Automated Facial Affect Recognition
2019-May, Proceedings of the ... International Conference on Automatic Face and Gesture Recognition. IEEE International Conference on Automatic Face & Gesture Recognition
DOI:10.1109/FG.2019.8756623
PMID:31762712
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |