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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
221 | 2024-10-19 |
Image-Domain Material Decomposition for Dual-energy CT using Unsupervised Learning with Data-fidelity Loss
2023-Nov-17, ArXiv
PMID:38013889
|
研究论文 | 本文提出了一种基于无监督学习的数据保真损失的图像域材料分解方法,用于双能CT | 本文的创新点在于开发了一种无监督学习框架,利用数据测量一致性进行图像域材料分解,避免了传统方法中图像先验无法准确表示目标图像流形特征的问题 | 本文的局限性在于未提及具体的实验验证和临床应用效果 | 本研究旨在开发一种无监督学习框架,用于双能CT中的图像域材料分解 | 本研究的对象是双能CT图像中的材料分解 | 计算机视觉 | NA | 双能CT | 无监督学习 | 图像 | NA |
222 | 2024-10-19 |
Super-resolution biomedical imaging via reference-free statistical implicit neural representation
2023-Oct-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acfdf1
PMID:37757838
|
研究论文 | 提出了一种无需参考的统计隐式神经表示框架,用于生物医学图像的超分辨率处理 | 该方法仅需要单张或多张低分辨率图像,通过最大似然估计和隐式神经网络生成高质量的超分辨率图像 | NA | 解决生物医学图像超分辨率处理中缺乏大量低分辨率和高分辨率图像对的问题 | 生物医学图像,包括CT、MRI、荧光显微镜和超声图像 | 计算机视觉 | NA | 隐式神经表示 | 多层感知机 | 图像 | 每种超分辨率任务使用有限数量的低分辨率图像 |
223 | 2024-10-19 |
Levothyroxine use and longitudinal changes in thigh muscles in at-risk participants for knee osteoarthritis: preliminary analysis from Osteoarthritis Initiative cohort
2023-04-11, Arthritis research & therapy
IF:4.4Q1
DOI:10.1186/s13075-023-03012-y
PMID:37041609
|
研究论文 | 研究了左甲状腺素使用与膝关节骨性关节炎高风险参与者大腿肌肉纵向变化之间的关系 | 首次探讨了左甲状腺素使用与大腿肌肉质量和成分变化之间的关联,并评估了其在膝关节骨性关节炎发病中的中介作用 | 研究结果需考虑甲状腺功能作为潜在的混杂因素或效应修饰因子,未来研究需进一步探讨甲状腺功能生物标志物对大腿肌肉纵向变化的影响 | 探讨左甲状腺素使用与膝关节骨性关节炎高风险参与者大腿肌肉质量和成分变化之间的关系及其在膝关节骨性关节炎发病中的作用 | 膝关节骨性关节炎高风险参与者的大腿肌肉质量和成分 | NA | 骨性关节炎 | 深度学习方法 | NA | MRI数据 | 1043个匹配的大腿/膝盖样本(266个左甲状腺素使用者,777个非使用者) |
224 | 2024-10-19 |
An Investigation into Race Bias in Random Forest Models Based on Breast DCE-MRI Derived Radiomics Features
2023, Clinical image-based procedures, fairness of AI in medical imaging, and ethical and philosophical issues in medical imaging : 12th International Workshop, CLIP 2023 1st International Workshop, FAIMI 2023 and 2nd International Workshop, ...
DOI:10.1007/978-3-031-45249-9_22
PMID:39404661
|
研究论文 | 研究了基于乳腺DCE-MRI衍生的放射组学特征的随机森林模型中存在的种族偏见 | 首次探讨了经典AI技术(如随机森林)在基于放射组学特征的模型中可能存在的种族偏见 | 研究仅限于乳腺DCE-MRI数据,且样本量较小 | 探讨随机森林模型在种族不平衡数据训练下可能产生的偏见 | 乳腺DCE-MRI衍生的放射组学特征 | 机器学习 | 乳腺癌 | DCE-MRI | 随机森林 | 图像 | 乳腺癌症患者的数据,具体数量未明确 |
225 | 2024-10-18 |
High-Speed On-Site Deep Learning-Based FFR-CT Algorithm: Evaluation Using Invasive Angiography as the Reference Standard
2023-10, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29156
PMID:37132550
|
研究论文 | 本研究评估了一种基于深度学习的高速现场FFR-CT算法在诊断冠状动脉狭窄中的表现 | 开发了一种基于深度学习的高速现场FFR-CT算法,显著缩短了分析时间,并提高了诊断准确性 | 研究为回顾性,样本量相对较小,且仅限于特定时间段内的患者 | 评估基于深度学习的FFR-CT算法在诊断冠状动脉狭窄中的诊断性能 | 冠状动脉狭窄的诊断和评估 | 计算机视觉 | 心血管疾病 | 深度学习 | 3D计算流体动力学模型 | 图像 | 59名患者(46名男性,13名女性;平均年龄66.5 ± 10.2岁) |
226 | 2024-10-18 |
Editorial Comment: On-Site Deep Learning-Based FFR-CT-A Novel Method to Evaluate Functionally Significant Stenosis
2023-Oct, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29561
PMID:37132555
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
227 | 2024-10-18 |
Development and External Validation of an Artificial Intelligence Model for Identifying Radiology Reports Containing Recommendations for Additional Imaging
2023-09, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29120
PMID:37073901
|
研究论文 | 开发并验证了一种基于BERT的人工智能模型,用于识别放射学报告中包含额外影像建议的部分 | 使用BERT模型在识别放射学报告中额外影像建议方面表现优于传统的机器学习模型 | 研究仅限于特定时间段和特定医疗机构的放射学报告 | 开发和验证一种人工智能模型,用于识别放射学报告中包含额外影像建议的部分 | 放射学报告中的额外影像建议 | 机器学习 | NA | BERT | BERT | 文本 | 6300份放射学报告,涉及7419名患者 |
228 | 2024-10-18 |
Single-Atom Level Determination of 3-Dimensional Surface/Interface Atomic Structures via Deep Learning-Assisted Atomic Electron Tomography
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.712
PMID:37613584
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
229 | 2024-10-18 |
Improving Porosity Analysis in Additive Manufacturing through 3D Resolution Recovery Using Deep Learning-Based Reconstruction
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.728
PMID:37613626
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
230 | 2024-10-18 |
Performance of Deep Learning-based Image Denoising in Image Reconstruction for Various Acquisition Conditions: a Simulated Phantom Study
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.725
PMID:37613776
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
231 | 2024-10-18 |
Deep Learning for Automated Quantification of Irradiation Defects in TEM Data: Relating Pixel-level Errors to Defect Properties
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.802
PMID:37613789
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
232 | 2024-10-18 |
Synthetic Data for Deep Learning: Segmentation of PCB X-Ray Images
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.979
PMID:37613931
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
233 | 2024-10-18 |
Deep Learning Design of Graphene-Reinforced Polyurethane Foams from SEM Microstructure Images and Style-based Generative Adversarial Networks
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.976
PMID:37613997
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
234 | 2024-10-18 |
Thyroid Nodules on Ultrasound in Children and Young Adults: Comparison of Diagnostic Performance of Radiologists' Impressions, ACR TI-RADS, and a Deep Learning Algorithm
2023-03, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.28231
PMID:36259591
|
研究论文 | 比较放射科医生的总体印象、ACR TI-RADS和深度学习算法在儿童和年轻成人甲状腺结节超声诊断中的表现 | 本文创新点在于比较了放射科医生的总体印象、ACR TI-RADS和深度学习算法在甲状腺结节诊断中的敏感性和特异性,发现ACR TI-RADS和深度学习算法在敏感性上优于放射科医生的总体印象 | 本文的局限性在于样本量较小,且仅限于儿童和年轻成人,研究结果可能不适用于所有年龄段 | 比较不同诊断方法在儿童和年轻成人甲状腺结节超声诊断中的表现 | 儿童和年轻成人的甲状腺结节 | 计算机视觉 | 甲状腺疾病 | 深度学习算法 | 深度学习 | 图像 | 139名患者(中位年龄17.5岁;119名女性患者,20名男性患者) |
235 | 2024-10-18 |
Abdominopelvic CT Image Quality: Evaluation of Thin (0.5-mm) Slices Using Deep Learning Reconstruction
2023-03, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.28319
PMID:36259592
|
研究论文 | 本研究评估了使用深度学习重建(DLR)的0.5毫米薄层腹部和盆腔CT图像质量,并与0.5毫米和3.0毫米的混合迭代重建(HIR)图像进行了比较 | 本研究首次使用深度学习重建技术生成低噪声的薄层CT图像,并展示了其在图像质量和噪声方面的优势 | 本研究为回顾性研究,样本量较小,且未进行进一步的诊断性能研究 | 比较深度学习重建的薄层CT图像与传统混合迭代重建图像的质量 | 腹部和盆腔CT图像 | 计算机视觉 | NA | 深度学习重建(DLR) | NA | 图像 | 50名患者(31名男性和19名女性;中位年龄64岁) |
236 | 2024-10-18 |
Editorial Comment: Deep Learning Image Reconstruction-Do Better Images Make a Better Radiologist?
2023-Mar, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.28658
PMID:36287626
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
237 | 2024-10-18 |
Utility of Normalized Body Composition Areas, Derived From Outpatient Abdominal CT Using a Fully Automated Deep Learning Method, for Predicting Subsequent Cardiovascular Events
2023-Feb, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.27977
PMID:36043607
|
研究论文 | 本研究探讨了使用全自动深度学习方法从门诊腹部CT中提取的归一化身体成分区域对后续心血管事件的预测能力 | 本研究首次使用全自动深度学习算法从常规CT扫描中提取身体成分测量值,并独立于传统体重指标预测心血管风险 | 本研究为回顾性研究,样本主要为黑人和白人患者,可能存在选择偏倚 | 确定通过全自动深度学习算法从常规CT扫描中获得的身体成分测量值是否能独立于体重、BMI和其他心血管风险因素预测后续心血管事件 | 9752名门诊患者,其中5519名女性和4233名男性,平均年龄53.2岁,890名患者自报为黑人,8862名自报为白人 | 计算机视觉 | 心血管疾病 | 深度学习 | NA | 图像 | 9752名门诊患者 |
238 | 2024-10-18 |
Detectability of Small Low-Attenuation Lesions With Deep Learning CT Image Reconstruction: A 24-Reader Phantom Study
2023-Feb, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.28407
PMID:36129222
|
研究论文 | 本研究评估了深度学习图像重建(DLIR)算法在低对比度检测性能和辐射节省潜力方面与滤波反投影(FBP)和迭代重建(IR)的比较 | DLIR算法在减少辐射剂量的情况下,仍能保持低对比度病变的检测性能,这是传统IR技术的一个主要缺点 | 研究仅在模拟人体的多阅读器非劣效性设计和任务型观察者模型中进行,未在真实临床环境中验证 | 评估DLIR算法在低对比度检测性能和辐射节省潜力方面的表现 | 低对比度检测性能和辐射节省潜力 | 计算机视觉 | NA | 深度学习图像重建(DLIR) | NA | 图像 | 24名不同经验水平的阅读者评估图像 |
239 | 2024-10-18 |
Editorial Comment: More Evidence Supporting Deep Learning Reconstructions in Abdominal CT-What Should We Do?
2023-Feb, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.28554
PMID:36169549
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
240 | 2024-10-17 |
Merizo: a rapid and accurate protein domain segmentation method using invariant point attention
2023-Dec-19, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-43934-4
PMID:38114456
|
研究论文 | 本文介绍了一种名为Merizo的深度学习方法,用于蛋白质域分割 | Merizo通过自下而上的方式学习将残基聚类到域中,并结合CATH域数据和AlphaFold2模型进行微调,使其能够应用于实验模型和AlphaFold2模型 | NA | 开发一种快速且准确的蛋白质域分割方法,以促进对蛋白质结构和功能的理解,并支持药物发现和比较基因组学研究 | 蛋白质域分割 | 机器学习 | NA | 深度学习 | NA | 蛋白质结构数据 | 在人类蛋白质组中识别了40,818个潜在域 |