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 21 篇文献，本页显示第 21 - 21 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 | 2024-08-05 |
Automatic labeling of respiratory phases and detection of abnormal respiratory signals in free-breathing thoracic dynamic MR image acquisitions based on deep learning
2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2549983
PMID:33060886
|
研究论文 | 本文提出了基于深度学习的框架，自动标记呼吸阶段并检测异常呼吸信号。 | 创新点在于将卷积神经网络（CNN）和长短期记忆网络（LSTM）结合用于处理3D动态磁共振成像的呼吸相位识别和异常信号检测。 | 研究主要集中在动态磁共振成像上，方法的普适性和适应性仍需进一步验证。 | 旨在改善4D胸部图像构建过程中的呼吸相位识别和异常信号检测。 | 研究对象为接受动态磁共振成像的患者，主要分析其呼吸图像序列。 | 计算机视觉 | 胸部不足症候群 | 动态磁共振成像（dMRI） | 卷积神经网络（CNN）和长短期记忆网络（LSTM） | 图像 | 每位患者约3000个切片 | NA | NA | NA | NA |