深度学习在生物医药领域中的应用
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，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。
当前共找到 22 篇文献，本页显示第 21 - 22 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2024-08-05 |
Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes
2020-Oct, Shape in Medical Imaging : International Workshop, ShapeMI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4, 2020, Proceedings
DOI:10.1007/978-3-030-61056-2_8
PMID:33283214
|
研究论文 | 该论文提出了一种基于网格的技术，以帮助分类阿尔茨海默病痴呆（ADD） | 创新点在于提出了一种残差学习框架的图卷积网络，显著减少了可学习参数，并提供了网络的可视化解释 | 该研究未提及样本量限制或数据来源的多样性问题 | 研究旨在通过分析大脑形状，改善阿尔茨海默病痴呆的分类 | 研究对象为大脑皮层和皮层下结构的网格表示 | 计算机视觉 | 阿尔茨海默病 | 图卷积网络 | 残差学习框架 | 图形数据 | 在25次试验的蒙特卡洛交叉验证中确认模型性能 |
| 22 | 2024-08-07 |
FastSurfer - A fast and accurate deep learning based neuroimaging pipeline
2020-10-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2020.117012
PMID:32526386
|
研究论文 | 本文提出了一种快速且准确的基于深度学习的大脑神经影像处理流程FastSurfer，用于自动化处理人脑结构MRI扫描，复制FreeSurfer的解剖学分割包括表面重建和皮质分区 | 引入了一种先进的深度学习架构，能够进行全脑95类分割，并采用了竞争密集块和竞争跳跃路径以及多切片信息聚合技术，专门针对皮质和皮质下结构的精确分割进行优化 | NA | 开发一种快速且准确的深度学习基础的神经影像处理流程，以适应大规模队列研究的需求 | 人脑结构MRI扫描的自动化处理 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 数千或数万个体 |