深度学习在生物医药领域中的应用

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
801	2024-09-05	Comparison of Convolutional Neural Networks and Transformers for the Classification of Images of COVID-19, Pneumonia and Healthy Individuals as Observed with Computed Tomography 2022-Sep-01, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8090237 PMID:36135403	研究论文	本研究评估了五种深度学习架构在多类别设置中分类COVID-19的表现	比较了卷积神经网络和Transformer在COVID-19、肺炎和健康个体CT图像分类中的性能	NA	评估不同深度学习模型在COVID-19分类中的性能	COVID-19、肺炎和健康个体的CT图像	计算机视觉	COVID-19	深度学习	CNN, Transformer	图像	NA
802	2024-09-05	MF-AV-Net: an open-source deep learning network with multimodal fusion options for artery-vein segmentation in OCT angiography 2022-Sep-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.468483 PMID:36187235	研究论文	本研究旨在展示多模态融合对深度学习在光学相干断层扫描（OCT）和OCT血管造影（OCTA）中动脉静脉分割性能的影响，并探索用于深度学习AV分割的OCT/OCTA特性	提出了一个开放源代码的深度学习网络MF-AV-Net，该网络具有多模态融合选项，用于OCTA中的动脉静脉分割	NA	探索多模态融合在OCT和OCTA中动脉静脉分割的性能	OCT和OCTA图像中的动脉静脉分割	计算机视觉	NA	深度学习	CNN	图像	6 mm×6 mm和3 mm×3 mm的OCTA图像数据集
803	2024-09-05	MobileSkin: Classification of Skin Lesion Images Acquired Using Mobile Phone-Attached Hand-Held Dermoscopes 2022-Aug-30, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm11175102 PMID:36079042	研究论文	本文介绍了一种使用手机附加手持皮肤镜拍摄的皮肤病变图像分类方法	开发了基于MobileNetV1、MobileNetV2、NASNetMobile和Xception架构的四种深度学习模型，用于分类八种不同的病变类型	NA	提高皮肤病变图像分类的准确性	使用手机附加手持皮肤镜拍摄的皮肤病变图像	计算机视觉	NA	深度学习	MobileNetV1, MobileNetV2, NASNetMobile, Xception	图像	包含多种数据增强方法增加的图像数量
804	2024-09-05	Development and Evaluation of a Novel Deep-Learning-Based Framework for the Classification of Renal Histopathology Images 2022-Aug-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering9090423 PMID:36134972	研究论文	本文开发并评估了一种基于深度学习的新型框架，用于分类肾组织病理图像	提出了一种多尺度弱监督深度学习方法，用于肾细胞癌（RCC）亚型分类，并采用了RGB直方图规范染色标准化和多尺度卷积神经网络（CNN）进行决策融合	NA	旨在区分良性组织和恶性RCC肿瘤，并识别肿瘤亚型以支持医疗治疗管理	肾组织病理图像	数字病理	肾细胞癌	深度学习	CNN	图像	包含四类肾组织的RCC活检样本
805	2024-09-05	Adaptation to CT Reconstruction Kernels by Enforcing Cross-Domain Feature Maps Consistency 2022-Aug-30, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8090234 PMID:36135401	研究论文	本文探讨了在胸部CT图像中分析COVID-19时，由于重建核差异导致的域偏移问题，并提出了一种无监督适应方法F-Consistency来提高模型在未见核上的分割质量	提出了一种名为F-Consistency的无监督适应方法，通过最小化成对特征图之间的均方误差来强制网络隐藏表示的相似性，显著提高了模型在未见核上的分割性能	未提及具体的局限性	构建一个适用于临床的鲁棒算法，处理由于重建核差异导致的域偏移问题	COVID-19在胸部CT图像中的识别、严重程度评估和分割	计算机视觉	COVID-19	深度学习	CNN	图像	使用了一组未标记的CT图像对，每对图像仅在重建核上有所不同
806	2024-09-05	A New Approach for Detecting Fundus Lesions Using Image Processing and Deep Neural Network Architecture Based on YOLO Model 2022-Aug-26, Sensors (Basel, Switzerland) DOI:10.3390/s22176441 PMID:36080898	研究论文	本文提出了一种基于YOLO模型的新方法，用于通过图像处理和深度神经网络架构检测眼底病变	该方法结合了图像处理技术、数据增强、迁移学习和深度神经网络，以克服现有数据集中的图像噪声、对比度问题以及深度学习算法在小物体检测上的困难	该方法在DDR数据集上的mAP和F1-score仍有提升空间	旨在通过计算机辅助诊断系统早期发现糖尿病视网膜病变，预防更严重的病变形式	糖尿病视网膜病变中的眼底病变，如微动脉瘤、硬性渗出物、出血和软性渗出物	计算机视觉	糖尿病视网膜病变	图像处理、数据增强、迁移学习	YOLOv5	图像	使用了公共的DDR和IDRiD糖尿病视网膜病变数据集
807	2024-09-05	AI in Breast Cancer Imaging: A Survey of Different Applications 2022-Aug-26, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8090228 PMID:36135394	综述	本文综述了人工智能在乳腺癌影像学中的不同应用	探讨了自监督学习在缺乏大型标注数据集情况下的应用	讨论了人工智能在乳腺癌影像学领域面临的挑战	旨在探讨人工智能在乳腺癌影像学中的应用及其潜力	乳腺癌影像学中的不同应用	计算机视觉	乳腺癌	机器学习, 深度学习	CNN, 自监督学习模型	影像	NA
808	2024-09-05	ResSUMO: A Deep Learning Architecture Based on Residual Structure for Prediction of Lysine SUMOylation Sites 2022-08-25, Cells IF:5.1Q2 DOI:10.3390/cells11172646 PMID:36078053	研究论文	本文构建了一种基于残差结构的深度学习架构ResSUMO，用于预测赖氨酸SUMO化位点	ResSUMO模型在交叉验证和独立测试中表现优于传统机器学习和CNN模型，且残差结构能优化神经网络并提高性能	增加CNN模型中神经网络的深度并未提高预测性能，存在退化问题	探索SUMO化修饰的特性并构建基于扩大数据集的高性能预测模型	赖氨酸SUMO化位点	机器学习	NA	NA	CNN	序列	扩大数据集
809	2024-09-05	Study on Accuracy Improvement of Slope Failure Region Detection Using Mask R-CNN with Augmentation Method 2022-Aug-25, Sensors (Basel, Switzerland) DOI:10.3390/s22176412 PMID:36080871	研究论文	本文提出了一种使用基于深度学习算法的Mask R-CNN语义分割方法来自动检测斜坡失效区域，以提高斜坡失效灾害后损害评估的效率	本研究采用基于CutMix的数据增强方法来提高检测精度，并比较了多种增强模式下的检测结果	目前关于使用深度学习检测滑坡的研究有限，且训练数据的缺乏是一个重要问题	提高斜坡失效区域检测的准确性	斜坡失效区域的自动检测	计算机视觉	NA	Mask R-CNN	CNN	图像	具体样本数量未在摘要中提及
810	2024-09-05	Analysis of AI-Based Single-View 3D Reconstruction Methods for an Industrial Application 2022-Aug-25, Sensors (Basel, Switzerland) DOI:10.3390/s22176425 PMID:36080884	研究论文	本文研究了基于深度学习的单视角3D重建方法，特别关注了在工业应用中的质量控制方面的应用	首次在3D重建任务中考虑了U-Net，并引入了堆叠膨胀U-Net（SDU-Net），其在计算时间和评估指标上表现最佳	NA	探索和评估不同深度学习方法在从单个2D灰度图像进行3D重建中的应用	激光焊接组件的2D灰度图像	机器学习	NA	深度学习算法	堆叠自动编码器（SAE）、生成对抗网络（GANs）、U-Nets、堆叠膨胀U-Net（SDU-Net）	图像	少量训练数据
811	2024-09-05	FGL-GAN: Global-Local Mask Generative Adversarial Network for Flame Image Composition 2022-Aug-23, Sensors (Basel, Switzerland) DOI:10.3390/s22176332 PMID:36080788	研究论文	本文提出了一种全局-局部掩码生成对抗网络（FGL-GAN），用于提高火焰图像合成的质量	FGL-GAN采用分层的全局-局部生成器结构，结合火焰掩码输入和对比学习方法，提高了火焰光环和反射的渲染质量，并加速了网络拟合	NA	旨在通过计算机合成火焰图像，减少收集火焰图像数据集的危险性	火焰图像的合成质量	计算机视觉	NA	生成对抗网络（GAN）	FGL-GAN	图像	NA
812	2024-09-05	Antenna Excitation Optimization with Deep Learning for Microwave Breast Cancer Hyperthermia 2022-Aug-23, Sensors (Basel, Switzerland) DOI:10.3390/s22176343 PMID:36080800	研究论文	本文提出了一种基于卷积神经网络（CNN）的微波热疗天线激励优化方案，适用于多种配置，并通过实验证明了其有效性	提出了一种基于深度学习的天线激励优化方法，考虑了电场的复杂矢量特性，并适用于多种配置	目前仅在两种配置下进行了测试，未来需要进一步验证其在更多配置下的适用性	优化微波热疗中的天线激励，以更精确地聚焦微波能量于目标区域，减少对周围组织的影响	微波热疗中的天线激励优化	机器学习	乳腺癌	卷积神经网络（CNN）	CNN	数据集	通过叠加单个天线元素的信息收集数据集
813	2024-09-05	Investigation of biases in convolutional neural networks for semantic segmentation using performance sensitivity analysis 2022-Aug, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2021.11.004 PMID:35016819	研究论文	本文研究了卷积神经网络在医学图像分割中的性能敏感性分析，以探索其对图像修改的偏差和鲁棒性	首次系统地研究了深度学习在医学图像分割中对输入数据变化的敏感性，并展示了不同数据增强策略的效果	研究仅限于两个公开的分割框架，且未探讨所有可能的图像修改情况	旨在系统地调查深度学习在医学图像分割中对输入数据变化的敏感性	深度学习在医学图像分割中的性能敏感性	计算机视觉	NA	深度学习	CNN	图像	使用公开的分割框架DeepMedic和TractSeg进行测试
814	2024-09-05	Computer-Aided Diagnosis for Determining Sagittal Spinal Curvatures Using Deep Learning and Radiography 2022-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00592-0 PMID:35277750	研究论文	本研究开发并评估了一种基于深度学习的计算机辅助诊断（CAD）工具，用于从X光图像中自动测量脊柱矢状面排列	提出了一种基于U-Net的分割模型和使用参数方程及三角函数的脊柱角度测量算法，用于自动分析胸椎后凸和腰椎前凸角度	NA	开发一种自动化的深度学习CAD工具，以帮助临床医生减少观察者间的变异性和所需的时间或努力	脊柱矢状面排列的自动测量	计算机视觉	NA	深度学习	U-Net	图像	322个数据集
815	2024-09-05	Utilizing Synthetic Nodules for Improving Nodule Detection in Chest Radiographs 2022-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00608-9 PMID:35304676	研究论文	本文提出了一种使用合成结节来提高胸部X光片中结节检测准确性的框架	本文不仅使用生成模型生成视觉上合理的异常结节进行数据增强，还进一步调整训练算法以最大化利用合成异常结节	需要进一步验证该方法在不同数据集上的泛化能力	旨在通过使用合成结节来提高胸部X光片中结节检测的准确性和效率	胸部X光片中的结节检测	计算机视觉	NA	深度学习	深度神经网络（DNN）	图像	内部和外部数据集
816	2024-09-05	Difference imaging from single measurements in diffuse optical tomography: a deep learning approach 2022-08, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.27.8.086003 PMID:36008881	研究论文	本文提出了一种基于深度学习的扩散光学断层成像（DOT）差异成像方法，通过仅使用目标测量数据来简化数据采集并缓解匹配问题	该方法通过深度学习技术，仅使用目标测量数据即可生成差异成像数据，无需额外的参考测量，从而简化了数据采集过程并缓解了目标介质与参考介质之间的匹配问题	NA	旨在通过深度学习方法简化扩散光学断层成像中的数据采集过程并缓解匹配问题	扩散光学断层成像中的差异成像方法	机器学习	NA	扩散光学断层成像（DOT）	人工神经网络	模拟数据、幻影实验数据和临床数据	56名患有乳腺病变的患者
817	2024-09-05	Learning-based three-dimensional registration with weak bounding box supervision 2022-Jul, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.9.4.044001 PMID:35847178	研究论文	本文提出了一种基于弱边界框监督的学习方案，用于可变形图像配准，通过仅使用边界框标签计算损失函数，训练图像配准网络处理大位移变形	本文创新地使用弱边界框监督学习方案，减少了详细标注的需求，提高了图像配准的性能	NA	提高医学图像分析中图像配准方法的性能	三维腹部CT和MRI图像的配准	计算机视觉	NA	深度学习	CNN	图像	NA
818	2024-09-05	High frame rate (∼3 Hz) circular photoacoustic tomography using single-element ultrasound transducer aided with deep learning 2022-06, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.27.6.066005 PMID:36452448	研究论文	本文提出了一种基于深度学习的高帧率圆形光声断层成像方法，使用单元素超声换能器进行快速扫描数据重建。	通过使用基于U-Net的深度学习框架，实现了在单元素和多元素超声换能器基础上的光声断层成像系统中提高成像帧率。	在高速扫描时，由于稀疏信号采集和低信噪比导致的伪影限制了成像速度。	提高光声断层成像系统的帧率（或成像速度），同时不降低成像质量。	单元素和多元素超声换能器基础上的光声断层成像系统。	计算机视觉	NA	深度学习	U-Net	图像	涉及了模拟和活体成像实验。
819	2024-09-05	Deep Learning-Inferred Multiplex ImmunoFluorescence for Immunohistochemical Image Quantification 2022-Apr, Nature machine intelligence IF:18.8Q1 DOI:10.1038/s42256-022-00471-x PMID:36118303	研究论文	本文介绍了一种名为DeepLIIF的多任务深度学习框架，用于免疫组化图像的定量分析	提出了一种单步解决方案，用于染料解卷积/分离、细胞分割和定量单细胞免疫组化评分	NA	开发一种能够将免疫组化图像转换为多重免疫荧光图像的深度学习框架	免疫组化（IHC）和多重免疫荧光（mpIF）染色技术	计算机视觉	NA	深度学习	CNN	图像	使用了共注册的IHC和mpIF染色的组织切片数据集
820	2024-09-05	Deep learning in macroscopic diffuse optical imaging 2022-02, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.27.2.020901 PMID:35218169	综述	本文全面回顾了深度学习在宏观漫反射光学成像中的应用	深度学习在光学成像中的应用带来了分析时间大幅减少、重建质量提高、对噪声的鲁棒性增强以及学习复杂端到端关系的能力	NA	旨在全面回顾深度学习在宏观漫反射光学成像中的应用	宏观漫反射光学成像中的深度学习应用	计算机视觉	NA	深度学习	DL	图像	NA