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
61	2024-09-07	Transfer Learning for Modeling Plasmonic Nanowire Waveguides 2022-Oct-16, Nanomaterials (Basel, Switzerland) DOI:10.3390/nano12203624 PMID:36296814	研究论文	本文提出了一种基于物理引导的迁移学习方法，用于建模等离子体纳米线波导的波导特性	通过迁移学习方法，利用自由悬挂的圆形等离子体纳米线的计算廉价数据，显著提高了对复杂配置纳米线波导特性的预测性能	NA	克服传统数值模拟方法在计算时间和资源上的限制，提供一种高效且准确的建模方法	等离子体金属纳米线波导的波导特性	NA	NA	迁移学习	深度学习模型	数值数据	涉及多种复杂配置的等离子体金属纳米线
62	2024-09-07	A Hard Voting Policy-Driven Deep Learning Architectural Ensemble Strategy for Industrial Products Defect Recognition and Classification 2022-Oct-16, Sensors (Basel, Switzerland) DOI:10.3390/s22207846 PMID:36298197	研究论文	提出了一种基于深度学习模型架构投票策略的集成深度学习框架，用于工业产品缺陷识别和分类	通过投票策略结合多个深度学习模型，提高了工业产品缺陷识别和分类的性能	未提及具体的技术局限性	改进工业产品生产中的缺陷识别和分类，以优化视觉检测和质量控制	工业产品的缺陷识别和分类	计算机视觉	NA	深度学习	集成模型	图像	使用了三个公开的工业产品数据集进行实验和验证
63	2024-09-07	CorDeep and the Sacrobosco Dataset: Detection of Visual Elements in Historical Documents 2022-Oct-15, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8100285 PMID:36286379	研究论文	本文介绍了CorDeep模型和Sacrobosco数据集，用于检测历史文档中的视觉元素	提出了一个公开的多类历史视觉元素数据集，并基于YOLO架构训练了一个图像提取模型，通过公开的网络服务提供图像检测和提取功能	主要集中在历史文档中的视觉元素检测，未涉及其他类型的历史文档分析	旨在利用深度学习技术促进历史研究，特别是历史文档中的视觉元素检测	历史文档中的视觉元素，特别是插图	计算机视觉	NA	深度学习	YOLO	图像	一个公开的多类历史视觉元素数据集
64	2024-09-07	Hair Follicle Classification and Hair Loss Severity Estimation Using Mask R-CNN 2022-Oct-14, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8100283 PMID:36286377	研究论文	本文提出了一种使用Mask R-CNN框架进行毛囊分类和脱发严重程度估计的高效准确算法	相较于其他方法，本文提出的算法在分类准确性上提高了4到15%	NA	旨在提高脱发检测的准确性和鲁棒性，以便及时制定有效的治疗计划	毛囊分类和脱发严重程度估计	计算机视觉	NA	Mask R-CNN	Mask R-CNN	图像	10名不同脱发阶段的男性头皮图像
65	2024-09-07	Using Artificial Intelligence to Analyze Non-Human Drawings: A First Step with Orangutan Productions 2022-Oct-14, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani12202761 PMID:36290146	研究论文	研究利用人工智能分析猩猩莫莉的绘画作品，探讨季节性变化	首次使用深度学习模型VGG19分析非人类绘画作品中的季节性变化	分类准确率仅为41.6%，可能受限于数据量和模型性能	探索人工智能在分析非人类绘画中的应用	猩猩莫莉的绘画作品	计算机视觉	NA	深度学习	VGG19	图像	1299幅绘画作品
66	2024-09-07	Omics Data and Data Representations for Deep Learning-Based Predictive Modeling 2022-Oct-14, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms232012272 PMID:36293133	综述	本文综述了用于深度学习预测建模的组学数据及其数据表示方法	本文旨在弥合计算机科学与生命科学之间的鸿沟，帮助计算机科学家将其专业知识应用于生命科学领域	本文主要关注数据类型和数据表示方法，未深入探讨具体的深度学习模型和算法细节	帮助计算机科学家了解生物数据类型及其表示方法，以便参与基于深度学习的生物医学、生物技术和药物发现研究	组学数据及其数据表示方法	机器学习	NA	深度学习	NA	组学数据	NA
67	2024-09-07	Cervical Cell/Clumps Detection in Cytology Images Using Transfer Learning 2022-Oct-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12102477 PMID:36292166	研究论文	本文研究了使用迁移学习方法在细胞学图像中检测宫颈细胞/细胞团块，以提高宫颈癌筛查的准确性	本文提出在宫颈细胞/细胞团块检测任务中使用COCO预训练模型，并进行了多尺度训练以提高模型性能	本文未详细讨论模型在不同数据集上的泛化能力	提高宫颈癌筛查的自动化程度和准确性	宫颈细胞/细胞团块的检测	计算机视觉	宫颈癌	迁移学习	卷积神经网络 (CNN)	图像	具体样本数量未在摘要中提及
68	2024-09-07	Deep Convolutional Neural Network for Nasopharyngeal Carcinoma Discrimination on MRI by Comparison of Hierarchical and Simple Layered Convolutional Neural Networks 2022-Oct-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12102478 PMID:36292167	研究论文	本文比较了分层和简单层卷积神经网络在鼻咽癌MRI图像分类中的表现	通过微调ResNet50模型，实现了鼻咽癌肿瘤诊断的高预测性能	NA	寻找用于鼻咽癌MRI图像分类的最佳卷积神经网络模型	鼻咽癌患者的MRI图像	计算机视觉	鼻咽癌	卷积神经网络	CNN	图像	NA
69	2024-09-07	The federated tumor segmentation (FeTS) tool: an open-source solution to further solid tumor research 2022-10-12, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac9449 PMID:36137534	研究论文	本文介绍了联邦肿瘤分割（FeTS）工具的软件架构和功能，旨在促进脑部磁共振图像肿瘤子区域的统一处理和金标准标签生成，并支持全球多个站点间的联邦学习模型训练	FeTS工具利用现有的开源工具（如Insight Toolkit和Qt），设计用于在集中式或联邦式设置中训练深度学习模型，以实现肿瘤区域的划分	NA	开发一个开源工具，支持在医疗领域中进行去中心化的数据分析和肿瘤子区域的联邦学习模型训练	脑部磁共振图像中的肿瘤子区域	计算机视觉	NA	联邦学习	深度学习模型	图像	NA
70	2024-09-07	Sparse Optical Flow Implementation Using a Neural Network for Low-Resolution Thermal Aerial Imaging 2022-Oct-12, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8100279 PMID:36286373	研究论文	本文提出了一种基于神经网络的稀疏光流实现方法，用于低分辨率热成像空中图像	本文创新性地将稀疏Lucas-Kanade算法应用于光流神经网络，通过特征提取器减少计算需求，提高了在小型多旋翼无人机上的实时处理能力	本文未详细讨论在不同环境条件下的性能表现	研究如何在小型无人机平台上实现高效的光流计算	低分辨率热成像空中图像	计算机视觉	NA	稀疏Lucas-Kanade算法	RAFT-s模型	图像	未明确提及样本数量
71	2024-09-07	Fast and Efficient Image Novelty Detection Based on Mean-Shifts 2022-Oct-10, Sensors (Basel, Switzerland) DOI:10.3390/s22197674 PMID:36236774	研究论文	本文提出了一种基于均值漂移的快速高效图像新颖性检测方法	本文通过将训练和测试图像转换为补丁集合，评估正常数据和异常数据之间的均值漂移，并使用Hotelling T2检验进行均值漂移估计，从而实现新颖性检测	补丁大小的选择需要额外的领域知识，且模型选择和特征空间的选择受卷积神经网络或视觉图像变换器的感受野大小影响	开发一种快速高效的图像新颖性检测方法	图像新颖性检测	计算机视觉	NA	均值漂移估计	卷积神经网络	图像	使用CIFAR-10和MVTec数据集进行验证
72	2024-09-07	nn-TransUNet: An Automatic Deep Learning Pipeline for Heart MRI Segmentation 2022-Oct-09, Life (Basel, Switzerland) DOI:10.3390/life12101570 PMID:36295005	研究论文	本文提出了一种名为nn-TransUNet的自动深度学习管道，用于心脏MRI分割任务	结合了nnU-net的实验规划和TransUNet的网络架构，使用视觉变换器和卷积层设计编码器，并采用卷积层作为解码器，实现了自动化的预处理和网络训练计划	NA	开发一种自动化的深度学习方法，用于心脏MRI分割，以提高诊断心血管疾病的效率	心脏MRI图像的分割	计算机视觉	心血管疾病	深度学习	nn-TransUNet	图像	在Automatic Cardiac Diagnosis Challenge (ACDC) Dataset上进行了验证
73	2024-09-07	Application of Deep Learning for Automated Detection of Polypoidal Choroidal Vasculopathy in Spectral Domain Optical Coherence Tomography 2022-10-03, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.11.10.16 PMID:36219163	研究论文	本文开发了一种用于自动检测多形性脉络膜血管病变的深度学习模型，以区分多形性脉络膜血管病变与湿性年龄相关性黄斑变性	提出了一种基于深度学习的算法来自动区分多形性脉络膜血管病变与湿性年龄相关性黄斑变性	多形性脉络膜血管病变在光谱域光学相干断层扫描图像中的不可见性是该模型的主要限制	开发一种自动筛查多形性脉络膜血管病变的模型，以区分多形性脉络膜血管病变与湿性年龄相关性黄斑变性	多形性脉络膜血管病变与湿性年龄相关性黄斑变性	计算机视觉	眼科疾病	深度学习	ResNet attention模型	图像	训练集包含2334张光谱域光学相干断层扫描图像，外部验证集包含1171张图像
74	2024-09-07	The Applications of Metaheuristics for Human Activity Recognition and Fall Detection Using Wearable Sensors: A Comprehensive Analysis 2022-Oct-03, Biosensors DOI:10.3390/bios12100821 PMID:36290958	研究论文	本文研究了元启发式优化算法在基于传感器数据的人类活动识别和跌倒检测中的应用	本文使用了九种元启发式算法进行特征选择，以提高人类活动识别和跌倒检测的分类准确性	NA	研究元启发式优化算法在人类活动识别和跌倒检测中的应用	人类活动识别和跌倒检测	机器学习	NA	元启发式优化算法	ResRNN	传感器数据	使用了七个不同的复杂数据集进行多分类，以及一个数据集进行二分类
75	2024-09-07	An exploration of error-driven learning in simple two-layer networks from a discriminative learning perspective 2022-10, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-021-01711-5 PMID:35032022	研究论文	本文从判别学习的角度探讨了简单两层网络中的错误驱动学习机制	本文强调了错误驱动模型中学习的判别性质，并讨论了这对学习概念化的影响	本文主要关注错误驱动学习的最简单形式，未涉及更复杂的深度学习模型	探讨错误驱动学习的基本工作原理，并将其与认知科学中错误驱动学习模型的发展历史联系起来	简单两层网络中的错误驱动学习机制	机器学习	NA	NA	两层网络	NA	NA
76	2024-09-07	Nested U-Net for Segmentation of Red Lesions in Retinal Fundus Images and Sub-image Classification for Removal of False Positives 2022-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00629-4 PMID:35474556	研究论文	本文提出了一种用于视网膜眼底图像中红色病灶分割的嵌套U-Net模型，并结合子图像分类方法去除假阳性	本文创新性地使用了嵌套U-Net模型进行红色病灶分割，并通过子图像分类方法有效减少了假阳性	NA	开发一种自动筛查工具，用于早期检测和治疗糖尿病视网膜病变患者	视网膜眼底图像中的红色病灶	计算机视觉	糖尿病视网膜病变	NA	嵌套U-Net	图像	DIARETDB1数据集
77	2024-09-07	Skin Lesion Area Segmentation Using Attention Squeeze U-Net for Embedded Devices 2022-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00634-7 PMID:35505265	研究论文	本文提出了一种名为Attention Squeeze U-Net的深度学习架构，用于嵌入式设备上的皮肤病变区域分割	设计了一种专为嵌入式设备优化的Attention Squeeze U-Net架构，能够在智能手机或低成本嵌入式设备上运行	NA	通过在智能手机或低成本嵌入式设备上运行深度学习算法，提高患者自主权	皮肤病变区域分割	计算机视觉	皮肤癌	深度学习	U-Net	图像	公开数据集
78	2024-09-07	Deep Reinforcement Learning with Automated Label Extraction from Clinical Reports Accurately Classifies 3D MRI Brain Volumes 2022-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00644-5 PMID:35562633	研究论文	本文提出了一种利用临床报告自动提取标签并结合深度强化学习对3D MRI脑部体积进行分类的方法	本文的创新点在于使用自动标签提取技术从放射学报告中获取标签，并结合强化学习进行分类，相较于传统的监督深度学习方法，在数据量较小的情况下表现更优	本文的局限性在于仅在一个小规模的数据集上进行了验证，未来需要在更大规模的数据集上进行验证	本文的研究目的是减少获取和标注数据集的负担，并探索强化学习在放射学图像分类中的应用	本文的研究对象是3D MRI脑部体积的分类	计算机视觉	NA	深度强化学习	强化学习分类器	图像	训练集包含1000张图像，测试集包含1000张图像
79	2024-09-07	Generation of synthetic megavoltage CT for MRI-only radiotherapy treatment planning using a 3D deep convolutional neural network 2022-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.15876 PMID:35870154	研究论文	本文探讨了使用3D深度卷积神经网络从磁共振成像（MRI）生成合成兆伏特CT（sMVCT）以实现仅MRI放射治疗计划的可行性	首次使用3D深度卷积神经网络从MRI生成sMVCT，以支持仅MRI的放射治疗计划	合成sMVCT与实际MVCT在骨骼和空气区域的一致性较差，且回顾性数据集存在由于扫描间差异导致的偏差	验证从MRI生成sMVCT以支持仅MRI放射治疗计划的可行性	头颈部癌症患者的MVCT和T1加权MRI数据	计算机视觉	头颈部癌症	深度学习	3D U-Net	图像	120名头颈部癌症患者的数据
80	2024-09-07	Improving reproducibility and performance of radiomics in low-dose CT using cycle GANs 2022-Oct, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.13739 PMID:35906893	研究论文	本文研究了使用循环生成对抗网络（Cycle GANs）对低剂量CT图像进行去噪，以提高放射组学的可重复性和性能	本文首次探索了使用未配对数据训练的循环生成对抗网络（Cycle GANs）来提高低剂量CT图像的放射组学可重复性和性能	本文主要基于模拟数据和真实数据进行研究，未涉及其他类型的数据集	研究如何通过使用循环生成对抗网络（Cycle GANs）对低剂量CT图像进行去噪，以提高放射组学的可重复性和性能	低剂量CT图像的去噪和放射组学的可重复性与性能	计算机视觉	NA	循环生成对抗网络（Cycle GANs）	生成对抗网络（GAN）	图像	使用了模拟低剂量CT图像和RIDER数据集中的真实低剂量CT图像