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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
661 | 2024-09-07 |
Fusion Attention Mechanism for Foreground Detection Based on Multiscale U-Net Architecture
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/7432615
PMID:36172321
|
研究论文 | 本文提出了一种基于多尺度U-Net架构和融合注意力机制的前景检测方法 | 引入注意力机制到U-Net多尺度架构中,通过跳跃连接使网络更关注前景对象,抑制无关背景区域,提高模型学习能力 | 仅利用空间信息,未充分利用时间信息 | 改进前景检测的准确性 | 视频中的前景对象 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | CDnet-2014数据集 |
662 | 2024-09-07 |
Onboard Pointing Error Detection and Estimation of Observation Satellite Data Using Extended Kalman Filter
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/4340897
PMID:36248921
|
研究论文 | 本文提出了一种基于扩展卡尔曼滤波(EKF)的轻量级深度学习算法,用于检测和估计观测卫星数据中的指向误差 | 本文的创新点在于使用扩展卡尔曼滤波(EKF)来检测和估计卫星数据中的指向误差,减少了对地面跟踪系统的依赖,并提高了轨道参数估计的精度 | 本文的局限性在于线性化过程中可能出现的误差,需要通过适当选择线性展开点和EKF算法模型中的雅可比矩阵计算来克服 | 本文的研究目的是开发一种高效的方法来检测和估计卫星数据中的指向误差,以提高卫星系统的安全性和可靠性 | 本文的研究对象是卫星数据中的指向误差,包括姿态和轨道误差 | 卫星通信 | NA | 扩展卡尔曼滤波(EKF) | 扩展卡尔曼滤波(EKF) | 卫星数据 | NA |
663 | 2024-09-07 |
A New method for promote the performance of deep learning paradigm in diagnosing breast cancer: improving role of fusing multiple views of thermography images
2022, Health and technology
IF:3.1Q2
DOI:10.1007/s12553-022-00702-6
PMID:36254270
|
研究论文 | 本文提出了一种通过融合多视角热成像图像来提升深度学习模型在乳腺癌诊断中性能的新方法 | 通过融合正面、侧面45度和侧面45度热成像图像,利用迁移学习构建检测模型,显著提高了乳腺癌诊断的敏感性和特异性 | 需要进一步研究和改进以验证其在实际应用中的有效性 | 提升深度学习模型在乳腺癌早期诊断中的性能 | 乳腺癌的早期诊断 | 计算机视觉 | 乳腺癌 | 热成像 | 深度学习 | 图像 | 使用乳腺研究数据库(DMR)中的红外图像进行研究 |
664 | 2024-09-07 |
Data augmentation based on multiple oversampling fusion for medical image segmentation
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0274522
PMID:36256637
|
研究论文 | 本文提出了一种基于多重过采样融合的数据增强方法,用于医学图像分割 | 结合仿射变换和随机过采样进行数据增强,并使用加权交叉熵损失函数解决类别不平衡问题 | 未提及 | 提高医学图像分割模型的性能,特别是小组织病变的分割 | 肺结节和肝肿瘤的CT图像分割 | 计算机视觉 | NA | NA | CNN | 图像 | 使用了LUNA16和LiTS17数据集,涉及肺结节和肝肿瘤的CT图像 |
665 | 2024-09-07 |
Distributed search and fusion for wine label image retrieval
2022, PeerJ. Computer science
DOI:10.7717/peerj-cs.1116
PMID:36262126
|
研究论文 | 本文研究了葡萄酒标签图像检索问题,提出了一种分布式搜索和融合框架 | 本文提出了两种分布式检索框架,实验结果表明这些框架在大规模葡萄酒标签数据集和牛津花卉数据集上表现优异,甚至超过了现有的最先进检索模型 | NA | 解决葡萄酒标签图像检索中的样本不平衡问题 | 葡萄酒标签图像及其相关信息 | 计算机视觉 | NA | 深度学习 | 分布式检索框架 | 图像 | 大规模葡萄酒标签数据集和牛津花卉数据集 |
666 | 2024-09-07 |
Counting people inside a region-of-interest in CCTV footage with deep learning
2022, PeerJ. Computer science
DOI:10.7717/peerj-cs.1067
PMID:36262152
|
研究论文 | 本文提出了一种新的学习策略,使基于深度学习的人群计数模型能够仅在特定感兴趣区域(RoI)内计数人数 | 本文创新性地提出了Gap Regularizer方法,通过在人群计数模型的两个头部分别学习RoI内和RoI外的人数计数,从而提高模型在特定区域内的计数准确性 | Gap Regularizer方法在深度模型(如ResNet-101)上无法产生显著影响 | 开发一种能够在特定感兴趣区域内准确计数人数的深度学习模型 | 人群计数模型在特定感兴趣区域(RoI)内的计数性能 | 计算机视觉 | NA | 深度学习 | CNN | 视频 | 使用了MOT17-09、MOT20-02和RHC数据集进行测试 |
667 | 2024-09-07 |
Development and validation of a predictive model combining clinical, radiomics, and deep transfer learning features for lymph node metastasis in early gastric cancer
2022, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2022.986437
PMID:36262277
|
研究论文 | 本研究开发并验证了一种结合临床、放射组学和深度迁移学习特征的预测模型,用于早期胃癌淋巴结转移 | 首次利用深度迁移学习、放射组学和临床特征的综合多维数据,具有良好的预测能力 | NA | 开发和验证一种预测模型,用于早期胃癌淋巴结转移 | 早期胃癌患者 | 计算机视觉 | 胃癌 | 深度迁移学习 | 支持向量机、K近邻、随机森林、XGBoost | 图像 | 555名早期胃癌患者,分为训练组388人,内部验证组167人,外部验证组79人 |
668 | 2024-09-07 |
Automated mapping of Portulacaria afra canopies for restoration monitoring with convolutional neural networks and heterogeneous unmanned aerial vehicle imagery
2022, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.14219
PMID:36262418
|
研究论文 | 本文展示了使用卷积神经网络(CNN)和无人机图像对Portulacaria afra冠层进行自动分类,以监测生态恢复 | 利用深度学习算法和无人机图像进行大规模生态恢复监测的创新方法 | NA | 开发一种自动化的方法来监测生态恢复和再造林项目中的植被覆盖变化 | Portulacaria afra冠层 | 计算机视觉 | NA | 卷积神经网络(CNN) | CNN | 图像 | 使用不同型号的无人机在不同光照条件下采集的图像 |
669 | 2024-09-07 |
Classification of Breast Cancer Histopathological Images Using DenseNet and Transfer Learning
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/8904768
PMID:36262621
|
研究论文 | 本文提出了一种基于DenseNet和迁移学习的方法DenTnet,用于分类乳腺癌病理图像 | 本文的创新点在于使用DenseNet作为骨干模型,并通过迁移学习解决了从同一分布中提取特征的问题,提高了分类准确性和计算速度 | 现有方法的局限性包括高计算需求和对同一特征分布的依赖,本文通过DenTnet方法缓解了这些问题 | 研究目的是提高乳腺癌病理图像分类的准确性和计算效率 | 研究对象是乳腺癌病理图像 | 计算机视觉 | 乳腺癌 | 迁移学习 | DenseNet | 图像 | 使用了BreaKHis数据集,训练测试比为80%:20% |
670 | 2024-09-07 |
Considerate motion imagination classification method using deep learning
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0276526
PMID:36264857
|
研究论文 | 提出了一种基于深度学习的细致运动想象分类方法,通过图结构和双分支架构提取多维特征信息,并结合注意力机制和全局特征聚合模块提高分类准确性 | 提出了一种适用于脑电图的图结构,能够准确表示非欧几里得空间中脑电图电极的分布,并充分考虑电极间的空间相关性 | NA | 提高运动想象分类的准确性 | 脑电图信号 | 机器学习 | NA | 深度学习 | 图卷积网络 | 脑电图信号 | 涉及多个不同的公共脑机接口数据集 |
671 | 2024-09-07 |
Automatic extraction of upper-limb kinematic activity using deep learning-based markerless tracking during deep brain stimulation implantation for Parkinson's disease: A proof of concept study
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0275490
PMID:36264986
|
研究论文 | 本文介绍了一种基于深度学习的无标记跟踪技术,用于在帕金森病深部脑刺激植入手术中自动提取上肢运动学活动 | 本文的创新点在于应用深度学习技术进行无标记跟踪,以提高运动评估的准确性,并自动分类运动行为,从而优化深部脑刺激手术的目标定位 | 本文的局限性在于样本量较小(仅5名患者),且未提及该方法在不同文化和资源有限地区的适用性 | 本文的研究目的是开发一种自动化的方法,用于在深部脑刺激手术中准确评估和分类患者的运动行为,以优化手术目标定位 | 本文的研究对象是接受深部脑刺激手术的帕金森病患者 | 计算机视觉 | 帕金森病 | 深度学习 | 支持向量机(SVM) | 视频 | 5名患者 |
672 | 2024-09-07 |
CT-based radiomics in predicting pathological response in non-small cell lung cancer patients receiving neoadjuvant immunotherapy
2022, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2022.937277
PMID:36267975
|
研究论文 | 本研究评估了基于CT的放射组学特征、临床特征、深度学习特征及其组合,用于预测非小细胞肺癌患者在接受免疫治疗辅助治疗后的良好病理反应 | 本研究首次将深度学习特征与传统放射组学特征和临床特征结合,构建了一个综合模型,用于预测非小细胞肺癌患者的病理反应 | 样本量较小,仅包括62名患者,可能影响模型的泛化能力 | 评估基于CT的放射组学特征在预测非小细胞肺癌患者接受免疫治疗辅助治疗后的病理反应中的应用 | 非小细胞肺癌患者在接受免疫治疗辅助治疗后的病理反应 | 数字病理学 | 肺癌 | 放射组学 | 多层感知器 (MLP) | 图像 | 62名非小细胞肺癌患者 |
673 | 2024-09-07 |
Improving unsupervised stain-to-stain translation using self-supervision and meta-learning
2022, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100107
PMID:36268068
|
研究论文 | 本文探讨了在数字病理学中使用无监督域适应和图像到图像翻译技术来处理不同组织染色变异的问题 | 提出了两种新方法来改进染色到染色的翻译效果:一是将先验分割网络集成到CycleGAN中进行自监督的应用导向优化,二是通过在翻译输出中加入额外通道来隐式分离人工元信息 | CycleGAN在翻译其他结构(如动脉)时表现有限,且与原始染色分割相比,所有结构在所有染色中的表现略有下降 | 研究如何通过无监督染色到染色的翻译技术,使深度学习分割模型在不同染色条件下具有独立适用性 | 肾脏组织病理学图像中的不同染色变异 | 数字病理学 | NA | CycleGAN | CycleGAN | 图像 | 涉及多种肾脏结构,如肾小球、肾小管和静脉 |
674 | 2024-09-07 |
Multiscale generative model using regularized skip-connections and perceptual loss for anomaly detection in toxicologic histopathology
2022, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100102
PMID:36268071
|
研究论文 | 本文介绍了一种利用深度学习进行毒理病理学异常检测的方法,通过生成对抗网络(GAN)和自编码器架构中的正则化和感知技术,提高了模型对毒理病理学数据的泛化能力 | 本文提出了一种新的异常检测方法,结合了生成对抗网络(GAN)和自编码器架构,并引入了正则化和感知技术,以提高模型对毒理病理学数据的泛化能力 | NA | 开发一种能够泛化应用于毒理病理学数据异常检测的深度学习方法 | 毒理病理学中的异常检测,特别是组织切片中的异常 | 数字病理学 | NA | 生成对抗网络(GAN),自编码器 | 生成对抗网络(GAN),自编码器 | 图像 | 训练数据包括正常的大鼠肝脏切片的全切片图像(WSIs),验证数据包括三种异常类别的WSIs |
675 | 2024-09-07 |
Automated recognition of glomerular lesions in the kidneys of mice by using deep learning
2022, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100129
PMID:36268086
|
研究论文 | 本文构建了一种基于深度学习的人工智能模型,用于自动识别小鼠肾脏中的肾小球病变 | 首次在非临床研究中应用深度学习技术自动识别小鼠肾脏中的肾小球病变 | 模型仅在Col4a3 KO小鼠和ADR诱导的肾病小鼠中验证,通用性有待进一步验证 | 开发一种能够自动识别小鼠肾脏中肾小球病变的人工智能模型 | 小鼠肾脏中的肾小球病变 | 数字病理学 | NA | 深度学习 | DenseNet | 图像 | 使用Col4a3 KO小鼠和ADR诱导的肾病小鼠的HE染色全切片图像 |
676 | 2024-09-07 |
Histology segmentation using active learning on regions of interest in oral cavity squamous cell carcinoma
2022, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100146
PMID:36268093
|
研究论文 | 本文研究了在口腔鳞状细胞癌中使用主动学习进行组织学分割的方法 | 提出了一种基于主动学习的改进U-net分类器,用于在感兴趣区域(ROI)尺度上进行分割 | 需要大量高质量的病理学家注释,且处理大型全切片图像(WSIs)时存在网络瓶颈 | 探讨主动学习在数字病理学中进行组织学分割的有效性 | 口腔鳞状细胞癌的组织学图像 | 数字病理学 | 口腔癌 | 主动学习 | U-net | 图像 | NA |
677 | 2024-09-07 |
Tackling stain variability using CycleGAN-based stain augmentation
2022, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100140
PMID:36268102
|
研究论文 | 本文探讨了使用CycleGAN进行染色增强以应对病理学中的染色变异性问题 | 提出了一种通过数据增强而非传统的染色标准化方法来应对染色变异性的新策略 | 尽管提出的方法在分割准确性上有所提升,但提升幅度较小,且需考虑额外的碳足迹 | 旨在提高预训练深度学习分割模型在具有较大染色变异性的多中心队列中的适用性 | 肾脏病理学中的染色变异性问题 | 数字病理学 | NA | 深度学习 | CycleGAN | 图像 | 涉及三个外部多中心队列 |
678 | 2024-09-07 |
JustDeepIt: Software tool with graphical and character user interfaces for deep learning-based object detection and segmentation in image analysis
2022, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2022.964058
PMID:36275541
|
研究论文 | 介绍了一种名为JustDeepIt的软件工具,该工具通过图形用户界面和字符用户界面支持基于深度学习的对象检测和分割 | JustDeepIt提供了一个易于使用的图形用户界面,简化了深度学习模型的构建过程,特别适合编程初学者 | NA | 开发一种易于使用的深度学习软件工具,以支持实验人员在图像分析中的工作 | 植物科学中的关键问题,如小麦头检测、甜菜和杂草分割、植物和叶片分割 | 计算机视觉 | NA | 深度学习 | Faster R-CNN, YOLOv3, SSD, RetinaNet, Mask R-CNN, U-Net | 图像 | 四个案例研究,涵盖植物科学中的不同应用 |
679 | 2024-09-07 |
Using AAEHS-Net as an Attention-Based Auxiliary Extraction and Hybrid Subsampled Network for Semantic Segmentation
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/1536976
PMID:36275973
|
研究论文 | 本文提出了一种基于注意力机制的辅助提取和混合子采样网络(AAEHS-Net)用于语义分割 | 引入互补增强提取模块(CEEM)和混合子采样模块(HSM),以及全局最大池和全局平均池模块(GAGM)来提高特征提取和分割精度 | 未提及 | 解决深度学习语义分割中浅层特征被忽视导致的分割不准确问题 | 语义分割网络的性能提升 | 计算机视觉 | NA | 深度学习 | AAEHS-Net | 图像 | 三个数据集:无人机图像数据集、马萨诸塞州道路数据集和马萨诸塞州建筑数据集 |
680 | 2024-09-07 |
Analysis of Characteristic Factors of Nursing Safety Incidents in ENT Surgery by Deep Learning-Based Medical Data Association Rules Method
2022, Computational and mathematical methods in medicine
DOI:10.1155/2022/8491411
PMID:36277009
|
研究论文 | 本文通过深度学习结合医疗数据关联规则方法,分析了耳鼻喉科手术后护理安全事件的特征因素 | 采用深度学习结合关联规则方法分析护理安全事件的特征因素,为改善耳鼻喉科手术后护理安全提供了新思路 | 样本量较小,仅涉及385名住院患者,可能影响结果的普适性 | 探讨耳鼻喉科手术后护理安全事件的特征因素,以提高护理安全 | 耳鼻喉科手术后的护理安全事件及其影响因素 | 机器学习 | 耳鼻喉疾病 | 深度学习 | 关联规则方法 | 文本 | 385名住院患者 |