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,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!
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10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。
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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
21 | 2024-08-07 |
Classification and Visualization of Alzheimer's Disease using Volumetric Convolutional Neural Network and Transfer Learning
2019-12-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-019-54548-6
PMID:31796817
|
研究论文 | 本研究提出了一种基于体积卷积神经网络和迁移学习的方法,用于阿尔茨海默病(AD)的分类和可视化 | 使用卷积自编码器(CAE)进行无监督学习,并结合监督迁移学习,以及基于梯度的可视化方法来识别与AD和pMCI相关的重要生物标志物 | 由于神经影像数据稀缺,端到端学习尚未得到广泛关注 | 促进体积卷积神经网络模型的端到端学习,并实现阿尔茨海默病的分类和可视化 | 阿尔茨海默病(AD)及其相关认知障碍的分类和关键区域识别 | 计算机视觉 | 阿尔茨海默病 | 体积卷积神经网络(CNN) | CNN | MRI图像 | 实验基于ADNI数据库进行,具体样本数量未详细说明 |
22 | 2024-08-07 |
Role of deep learning in infant brain MRI analysis
2019-12, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2019.06.009
PMID:31229667
|
研究论文 | 本文探讨了深度学习算法在婴儿脑部MRI分析中的应用,特别是在脑组织分割和神经发育障碍的早期疾病预测方面的应用 | 提出了针对婴儿MRI数据特点的深度学习方法,并讨论了如何改进现有解决方案以应对数据量小、类别不平衡和模型解释性不足的问题 | 存在数据量小、类别不平衡和深度学习模型解释性不足的问题 | 研究深度学习在婴儿脑部MRI分析中的应用,特别是在脑组织分割和早期疾病预测方面 | 婴儿脑部MRI数据 | 机器学习 | NA | 深度学习算法,特别是卷积网络 | CNN | MRI图像 | 数据量小 |
23 | 2024-08-07 |
Next generation research applications for hybrid PET/MR and PET/CT imaging using deep learning
2019-Dec, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-019-04374-9
PMID:31254036
|
综述 | 本文综述了利用人工智能特别是深度学习算法提高PET/MR和PET/CT混合成像质量的应用 | 探讨了如何利用AI技术缩短成像时间、减少放射性示踪剂剂量以及进行双示踪剂研究等新可能性 | 未明确提及 | 探索AI在提高PET成像质量和利用解剖信息方面的应用 | PET/MR和PET/CT混合成像技术 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | NA |
24 | 2024-08-07 |
Using deep Siamese neural networks for detection of brain asymmetries associated with Alzheimer's Disease and Mild Cognitive Impairment
2019-12, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2019.07.003
PMID:31319126
|
研究论文 | 本研究利用基于配对侧脑间半球区域的深度孪生神经网络框架,探索全脑体积不对称性在阿尔茨海默病和轻度认知障碍检测中的应用 | 采用深度孪生神经网络处理低维体积特征,相比使用全脑MR图像的研究,减少了复杂性和计算时间,同时保留了生物信息密度 | NA | 探索神经解剖体积和形状不对称性作为阿尔茨海默病和轻度认知障碍的临床前成像生物标志物的潜力 | 阿尔茨海默病和轻度认知障碍的脑不对称性检测 | 机器学习 | 阿尔茨海默病 | MRICloud | 孪生神经网络 | 图像 | 使用ADNI和BIOCARD数据集 |
25 | 2024-08-07 |
Augmented Bladder Tumor Detection Using Deep Learning
2019-12, European urology
IF:25.3Q1
DOI:10.1016/j.eururo.2019.08.032
PMID:31537407
|
研究论文 | 本文开发了一种基于卷积神经网络的图像分析平台CystoNet,用于增强膀胱肿瘤的检测 | CystoNet在膀胱肿瘤检测中表现出高灵敏度和特异性,可能提高膀胱镜检查的诊断率和TURBT的效率 | NA | 开发一种深度学习算法,用于增强膀胱镜检查中的膀胱癌检测 | 膀胱肿瘤的检测和定位 | 计算机视觉 | 膀胱癌 | 深度学习 | CNN | 视频 | 开发数据集包括95名患者用于算法训练,5名患者用于测试,验证数据集包括54名患者 |
26 | 2024-08-07 |
CNN-MGP: Convolutional Neural Networks for Metagenomics Gene Prediction
2019-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-018-0313-4
PMID:30588558
|
研究论文 | 本文介绍了一种基于卷积神经网络的元基因组基因预测程序CNN-MGP,该程序能够直接从原始DNA序列中预测元基因组片段中的基因,无需手动特征提取和特征选择阶段 | CNN-MGP利用深度学习技术,能够学习编码和非编码区域的特征,并区分编码和非编码开放阅读框(ORFs),其准确性高于或相当于使用预定义特征的最先进的基因预测程序 | NA | 开发一种新的基因预测方法,以提高元基因组片段中基因预测的准确性 | 元基因组片段中的基因预测 | 机器学习 | NA | 卷积神经网络(CNN) | CNN | DNA序列 | 10个CNN模型基于预定义的GC含量范围训练于10个互斥数据集 |
27 | 2024-08-07 |
Probing the 3D architecture of the plant nucleus with microscopy approaches: challenges and solutions
2019-12, Nucleus (Austin, Tex.)
DOI:10.1080/19491034.2019.1644592
PMID:31362571
|
研究论文 | 本文探讨了使用高至超分辨率显微镜和图像处理技术来解析植物细胞核的三维结构,并提出了相应的挑战和解决方案 | 本文引入了高至超分辨率显微镜和图像处理技术,以实现对植物细胞核三维结构的最佳空间和时间分辨率的定量和细胞特异性分析 | NA | 解码影响细胞反应和身份的核组织原则 | 植物细胞核的三维结构 | 数字病理学 | NA | 高至超分辨率显微镜,图像处理 | NA | 图像 | NA |