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 |
Deriving Visual Cues from Deep Learning to Achieve Subpixel Cell Segmentation in Adaptive Optics Retinal Images
2019-Oct, Ophthalmic medical image analysis : 6th International Workshop, OMIA 2019, held in conjunction with MICCAI 2019, Shenzhen, China, October 17, Proceedings. OMIA (Workshop) (6th : 2019 : Shenzhen Shi, China)
DOI:10.1007/978-3-030-32956-3_11
PMID:31701095
|
研究论文 | 本文开发了一种AOSeg-Net方法，利用多通道U-Net预测细胞边界的空间概率，并通过区域级水平集算法实现亚像素级别的细胞分割 | 提出了一种新的AOSeg-Net方法，结合五色定理和区域级水平集算法，有效解决了在低对比度、各向异性区域和密集细胞边界接触的AO图像中细胞分割的难题 | NA | 实现高分辨率视网膜图像中光感受器细胞的亚像素级别分割 | 光感受器细胞的形态评估 | 计算机视觉 | NA | NA | U-Net | 图像 | 428张高分辨率视网膜图像，来自23名人类受试者 | NA | NA | NA | NA |
| 22 | 2024-08-07 |
A Deep Learning Approach to Denoise Optical Coherence Tomography Images of the Optic Nerve Head
2019-10-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-019-51062-7
PMID:31595006
|
研究论文 | 本文提出了一种深度学习方法，用于去噪视神经头部的光学相干断层扫描（OCT）图像 | 使用自定义深度学习网络，能够成功去噪未见过的单帧OCT B扫描，提高图像质量和组织可见性 | NA | 开发一种能够在减少扫描时间的同时提高OCT图像质量的方法 | 视神经头部（ONH）组织的光学相干断层扫描（OCT）图像 | 计算机视觉 | NA | 深度学习 | 自定义深度学习网络 | 图像 | 训练数据包括2,328个'干净B扫描'及其对应的'噪声B扫描'，测试数据包括1,552个未见过的单帧B扫描 | NA | NA | NA | NA |
| 23 | 2024-08-07 |
Artificial intelligence reveals environmental constraints on colour diversity in insects
2019-10-07, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-019-12500-2
PMID:31591404
|
研究论文 | 本文利用深度学习技术分析了台湾近2000种蛾类的20,000多张图像，揭示了颜色特征在生态梯度上的微妙但稳健的变化模式 | 首次使用深度学习模型生成2048维特征向量，准确预测每个物种的平均海拔，并发现高海拔生物群落内的图像特征变化较小 | NA | 解释动物在广阔地理尺度上的颜色变化 | 台湾近2000种蛾类的颜色特征 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 20,000多张图像，近2,000种蛾类 | NA | NA | NA | NA |
| 24 | 2024-08-07 |
Accuracy of deep learning to differentiate the histopathological grading of meningiomas on MR images: A preliminary study
2019-10, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.26723
PMID:30896065
|
研究论文 | 本研究评估了深度卷积神经网络（DCNN）在从磁共振成像（MR）图像中区分脑膜瘤组织病理学分级的诊断准确性 | 使用Inception-V3 DCNN在ADC图上提供了最佳的诊断准确性结果，AUC达到0.94 | DCNN在PCT1 W图像上的区分准确性较低 | 确定深度卷积神经网络在从MR图像中区分脑膜瘤组织病理学分级的诊断准确性 | 117名脑膜瘤患者，包括79名WHO I级，32名WHO II级和6名WHO III级 | 计算机视觉 | 脑膜瘤 | 磁共振成像（MR） | 深度卷积神经网络（DCNN） | 图像 | 117名脑膜瘤患者 | NA | NA | NA | NA |
| 25 | 2024-08-07 |
Deep learning reveals untapped information for local white-matter fiber reconstruction in diffusion-weighted MRI
2019-10, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2019.07.012
PMID:31323317
|
研究论文 | 本文提出了一种基于残差块深度神经网络（ResDNN）的数据驱动方法，用于模拟扩散加权磁共振成像（DW-MRI）信号与真实结构之间的非线性映射，以重建局部白质纤维结构。 | 本文采用了一种新颖的数据驱动方法，通过深度神经网络回归模型，有效地填补了DW-MRI信号与真实结构之间的差距。 | NA | 研究目的是通过深度学习技术揭示DW-MRI中未被充分利用的信息，以提高白质纤维结构的重建精度。 | 研究对象包括松鼠猴脑部的3D组织学数据和人类连接组项目中的12名受试者的扫描重扫描数据。 | 计算机视觉 | NA | 扩散加权磁共振成像（DW-MRI） | 残差块深度神经网络（ResDNN） | 图像 | 训练数据包括两个松鼠猴脑部的3D组织学数据集，验证数据包括第三个松鼠猴脑部数据集和人类连接组项目中的12名受试者的数据。 | NA | NA | NA | NA |
| 26 | 2024-08-07 |
Highly accelerated multishot echo planar imaging through synergistic machine learning and joint reconstruction
2019-10, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.27813
PMID:31106902
|
研究论文 | 本文介绍了一种结合机器学习（ML）和物理基础的图像重建框架，实现了无需导航器的高加速多重回波平面成像（msEPI），并展示了其在高分辨率结构和扩散成像中的应用 | 利用深度学习获取具有最小伪影的临时图像，并结合联合虚拟线圈灵敏度编码（JVC-SENSE）重建技术，提高了图像质量 | NA | 开发一种新的图像重建框架，以实现高加速的多重回波平面成像 | 高分辨率结构和扩散成像 | 机器学习 | NA | 多重回波平面成像（msEPI） | 深度学习网络 | 图像 | 使用2次EPI拍摄实现8倍平面内加速和2倍多频带加速，以及使用5次拍摄实现9倍平面内加速和2倍多频带加速 | NA | NA | NA | NA |
| 27 | 2024-08-05 |
Skull-Stripping of Glioblastoma MRI Scans Using 3D Deep Learning
2019-Oct, Brainlesion : glioma, multiple sclerosis, stroke and traumatic brain injuries. BrainLes (Workshop)
DOI:10.1007/978-3-030-46640-4_6
PMID:32577629
|
研究论文 | 本文评估了使用3D深度学习架构进行胶质瘤MRI扫描的头骨去除性能 | 提出了一种新的方法，专注于多参数MRI扫描中的头骨去除，与现有方法相比能够更好地处理脑肿瘤图像 | 只评估了公共可用的实现，而未考虑其他潜在的3D深度学习架构 | 研究旨在优化在胶质瘤MRI图像上进行头骨去除的性能 | 使用1796个手动检查过的胶质瘤mpMRI扫描作为研究对象 | 计算机视觉 | 脑肿瘤 | 3D深度学习 | DeepMedic, 3D U-Net, FCN | MRI图像 | 1796个mpMRI脑肿瘤扫描 | NA | NA | NA | NA |