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
261	2025-01-07	Ultrafast Cardiac Imaging Using Deep Learning for Speckle-Tracking Echocardiography 2023-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2023.3326377 PMID:37862280	研究论文	本文探讨了使用深度学习进行超快速心脏成像的方法，特别是针对斑点追踪超声心动图	本文创新性地将复杂加权卷积神经网络（CNN）用于图像重建，并结合先进的斑点追踪方法，评估了在保持心脏运动追踪能力的同时实现高质量图像重建的可行性	虽然本文在模拟和实验数据上展示了良好的性能，但在实际临床环境中的应用仍需进一步验证	研究目的是开发一种能够在超快速超声成像中同时实现高质量图像重建和心脏运动追踪的深度学习方法	心脏成像，特别是斑点追踪超声心动图	计算机视觉	心血管疾病	深度学习，斑点追踪超声心动图	CNN	图像	模拟数据、体外实验数据（旋转盘模型）和体内数据集
262	2025-01-07	Review of Deep Learning Approaches for Interleaved Photoacoustic and Ultrasound (PAUS) Imaging 2023-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2023.3329119 PMID:37910419	综述	本文综述了深度学习在光声和超声（PAUS）成像中的应用背景和现状	探讨了深度学习如何克服当前PAUS成像系统的技术限制，并识别了将PAUS技术稳健转化为临床应用的挑战和机遇	使用传统有限视角和带宽传感器无法提供高质量的光声源图，尤其是血管结构	总结深度学习在PAUS成像中的应用，并探讨其临床转化的潜力	光声和超声（PAUS）成像技术	医学影像	NA	深度学习	NA	图像	NA
263	2025-01-05	Retinal OCT Layer Segmentation via Joint Motion Correction and Graph-Assisted 3D Neural Network 2023, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2023.3317011 PMID:39737086	研究论文	本文提出了一种结合运动校正和图辅助3D神经网络的视网膜OCT层分割方法，以提高分割精度	提出了结合运动校正和分割的3D神经网络，并引入了一种新颖的图金字塔结构	NA	提高视网膜OCT层分割的精度，以更好地诊断和评估视网膜及全身性疾病	视网膜OCT图像	计算机视觉	视网膜疾病	OCT成像技术	3D卷积神经网络	3D图像	包含正常样本和多种疾病样本的大型OCT分割数据集
264	2025-01-04	Deep learning-based method for segmenting epithelial layer of tubules in histopathological images of testicular tissue 2023-Feb, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.S1.S17501 PMID:37153721	研究论文	本文提出了一种基于深度学习的自动化方法，用于分割睾丸组织病理图像中的生精小管上皮层	使用ResNet-34作为特征编码器模块，并在编码模块中集成了压缩和激励注意力块，以提高上皮层的分割和定位效果	尽管在有限训练集上表现良好，但训练集规模较小	开发自动化方法以检测睾丸组织中的异常	睾丸组织中的生精小管上皮层	数字病理学	NA	深度学习	CNN	图像	NA
265	2025-01-04	ViTab Transformer Framework for Predicting Induced Electric Field and Focality in Transcranial Magnetic Stimulation 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3331258 PMID:37938962	研究论文	本研究开发了一种基于深度学习的ViTab Transformer模型，用于预测经颅磁刺激中的感应电场和聚焦性，以替代耗时的电磁模拟软件	提出了ViTab Transformer模型，通过考虑多个输入参数（如MRI图像源、线圈类型、线圈位置、电流变化率、脑组织导电性和线圈与头皮的距离）来预测电场最大值、刺激面积和刺激体积，克服了现有模型仅考虑少数输入参数的局限性	未提及具体局限性	开发一种深度学习模型，以提高经颅磁刺激在神经系统疾病治疗中的效果和寻找新的临床应用	经颅磁刺激中的感应电场和聚焦性	机器学习	神经系统疾病	深度学习	Transformer	图像和表格数据	未提及具体样本数量
266	2025-01-04	A Probability Fusion Approach for Foot Placement Prediction in Complex Terrains 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3333685 PMID:37971912	研究论文	本文提出了一种概率融合方法，用于预测复杂地形中的足部放置，以更好地辅助下肢残疾人士的日常行走	该方法结合了深度学习模型和环境信息，能够在复杂地形中预测下一步的足部放置，相比现有研究在复杂地形中实现了更快和更准确的预测	实验主要针对结构化地形和复杂地形，未涉及更多样化的地形或更广泛的用户群体	研究目的是开发一种能够在复杂地形中预测足部放置的方法，以辅助下肢残疾人士的行走	研究对象为下肢残疾人士在复杂地形中的足部放置	机器学习	下肢残疾	深度学习	深度学习模型	增强数据	实验包括结构化地形实验和复杂地形实验
267	2025-01-04	Depression Identification Using EEG Signals via a Hybrid of LSTM and Spiking Neural Networks 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3336467 PMID:37995160	研究论文	本文提出了一种结合LSTM和脉冲神经网络（SNN）的新框架，用于通过EEG信号有效分类个体抑郁水平	首次将SNN架构与LSTM结构结合，模拟抑郁不同阶段的大脑基础结构，并利用原始EEG信号进行分类	NA	通过EEG信号定量评估抑郁严重程度，并分类个体抑郁水平	抑郁患者的EEG信号	机器学习	抑郁症	EEG信号分析	LSTM, SNN	EEG信号	NA
268	2025-01-04	Graph Reasoning Module for Alzheimer's Disease Diagnosis: A Plug-and-Play Method 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3337533 PMID:38015665	研究论文	本文提出了一种图推理模块（GRM），用于增强基于卷积神经网络（CNN）的阿尔茨海默病（AD）检测模型，通过模拟不同脑区之间的潜在关系来提高诊断性能	提出了一种可即插即用的图推理模块（GRM），结合自适应图Transformer（AGT）块、图卷积网络（GCN）块和特征图重建（FMR）块，有效解决了CNN方法在关联空间远距离信息上的不足	未提及具体局限性	提高阿尔茨海默病（AD）的诊断性能	阿尔茨海默病（AD）患者的结构磁共振成像（sMRI）数据	计算机视觉	老年病	结构磁共振成像（sMRI）	CNN, 自适应图Transformer（AGT）, 图卷积网络（GCN）	图像	未提及具体样本数量
269	2025-01-04	LSTM-MSA: A Novel Deep Learning Model With Dual-Stage Attention Mechanisms Forearm EMG-Based Hand Gesture Recognition 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3336865 PMID:38015666	研究论文	本文介绍了一种结合长短期记忆网络和双阶段注意力机制的LSTM-MSA模型，用于分析肌电图（EMG）信号，以提高手势识别的准确性和鲁棒性	LSTM-MSA模型结合了LSTM层和注意力机制，能够有效捕捉相关信号特征并准确预测意图动作，具有双阶段注意力、端到端特征提取与分类集成以及个性化训练等显著特点	NA	提高EMG信号在手势识别中的准确性和鲁棒性，应用于假肢控制、康复和人机交互等领域	肌电图（EMG）信号	机器学习	NA	NA	LSTM	信号	多个数据集
270	2025-01-04	Mixture of Experts for EEG-Based Seizure Subtype Classification 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3337802 PMID:38032784	研究论文	本文提出了两种新颖的专家混合模型（MoE），Seizure-MoE和Mix-MoE，用于基于EEG的癫痫亚型分类	Mix-MoE模型通过引入不平衡采样器和整合手动EEG特征的先验知识，解决了类别不平衡和缺乏先验知识的问题	需要大量标记的EEG样本来训练模型，且模型在其他EEG分类问题上的扩展性尚未完全验证	提高基于EEG的癫痫亚型分类的准确性和效率	癫痫患者的EEG数据	机器学习	癫痫	EEG	Mixture of Experts (MoE), Seizure-MoE, Mix-MoE	EEG信号	两个公共数据集
271	2025-01-04	Accurate COP Trajectory Estimation in Healthy and Pathological Gait Using Multimodal Instrumented Insoles and Deep Learning Models 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3338519 PMID:38032788	研究论文	本研究介绍了一种新型深度循环神经网络，通过融合来自经济型异质鞋垫嵌入式传感器的数据，准确估计动态COP轨迹	使用深度循环神经网络融合低成本传感器数据，实现在实验室外环境中准确估计COP轨迹	需要进一步验证在不同病理条件下的广泛适用性	开发一种在实验室外环境中准确测量COP轨迹的方法，以评估步态和平衡功能的变化	健康个体和神经肌肉疾病患者	机器学习	神经肌肉疾病	深度循环神经网络	RNN	传感器数据（FSR和IMU）	健康个体和神经肌肉疾病患者
272	2025-01-04	Deep Unsupervised Representation Learning for Feature-Informed EEG Domain Extraction 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3339179 PMID:38048235	研究论文	本文提出了一种新的推理模型——联合嵌入变分自编码器，用于改进脑电图（EEG）分类中的特征提取和模型优化	提出了一种新的联合嵌入变分自编码器模型，通过联合优化的变分自编码器实现条件更紧密的时空特征分布估计，从而在不牺牲模型紧密性的情况下提高整体模型优化和扩展	模型依赖于EEG信号的复杂特征提取，这些特征的检测和定义本身具有挑战性	改进脑电图（EEG）分类中的特征提取和模型优化，特别是在目标受试者数据难以获取的情况下	脑电图（EEG）信号	机器学习	NA	变分自编码器	联合嵌入变分自编码器	脑电图（EEG）信号	未明确提及具体样本数量
273	2024-12-28	Learned Tensor Low-CP-Rank and Bloch Response Manifold Priors for Non-Cartesian MRF Reconstruction 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3302872 PMID:37549069	研究论文	本文提出了一种结合MRF物理先验和数据相关性约束的联合重建模型，用于非笛卡尔MRF重建	提出了一种学习的CANDECOMP/PARAFAC (CP)分解模块来利用高维MRF数据的张量低秩先验，并提出了Bloch响应流形模块来学习重建MRF数据与多参数映射之间的关系	当前深度学习方法通常缺乏可解释性，且大多数不适用于非笛卡尔场景	提高非笛卡尔MRF重建的准确性和计算效率	磁共振指纹成像（MRF）数据	医学影像处理	NA	磁共振指纹成像（MRF）	深度神经网络	MRF数据	NA
274	2024-12-28	Continual Nuclei Segmentation via Prototype-Wise Relation Distillation and Contrastive Learning 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3307892 PMID:37610902	研究论文	本文提出了一种新的连续学习核分割方法，通过原型关系蒸馏和对比学习来避免旧类知识的遗忘并促进新类的学习	提出了原型关系蒸馏和对比学习的方法，解决了连续学习中的灾难性遗忘问题	未提及具体的数据集规模限制或计算资源需求	研究在连续学习框架下进行多类型核分割的问题	多类型核分割	计算机视觉	NA	深度学习	NA	图像	使用了MoNuSAC和CoNSeP两个多类型核分割基准数据集
275	2024-12-28	TT U-Net: Temporal Transformer U-Net for Motion Artifact Reduction Using PAD (Pseudo All-Phase Clinical-Dataset) in Cardiac CT 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3310933 PMID:37651491	研究论文	本文提出了一种基于深度学习的框架，用于减少动态心脏CT中的运动伪影	提出了TT U-Net（Temporal Transformer U-Net），利用自注意力机制在时间维度上编码运动信息，从而更好地减少运动伪影	NA	减少动态心脏CT中的运动伪影	心脏CT图像	数字病理学	心血管疾病	深度学习	TT U-Net	图像	基于PAD（Pseudo All-phase clinical-Dataset）构建的数据集
276	2024-12-28	Stable Deep MRI Reconstruction Using Generative Priors 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3311345 PMID:37656651	研究论文	本文提出了一种基于生成图像先验的稳定深度MRI重建方法	提出了一种新颖的深度神经网络正则化器，仅在参考幅度图像上进行生成训练，并在经典变分方法中嵌入训练模型，实现了高质量的重建	尽管在对比度变化等分布外数据上表现出稳定行为，但临床常规应用仍面临挑战	解决MRI重建中的泛化性和可解释性问题	磁共振成像（MRI）数据	计算机视觉	NA	深度神经网络	生成模型	图像	NA
277	2024-12-28	Subspace Model-Assisted Deep Learning for Improved Image Reconstruction 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3313421 PMID:37682643	研究论文	本文提出了一种结合模型驱动和数据驱动学习的新方法，用于改进图像重建	该方法通过整合线性向量空间框架、深度网络和基于展开的深度网络，解决了深度学习重建中的数据扰动敏感性和泛化能力有限的问题	需要大量训练数据来学习高维图像先验，这在医学成像应用中目前尚不可用	改进从有限和/或稀疏数据中进行图像重建的方法	图像重建	计算机视觉	NA	深度学习	深度网络	图像	NA
278	2024-12-28	Breast Fibroglandular Tissue Segmentation for Automated BPE Quantification With Iterative Cycle-Consistent Semi-Supervised Learning 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3319646 PMID:37756174	研究论文	本文提出了一种新颖的迭代循环一致性半监督学习框架，用于乳腺纤维腺体组织分割，以实现自动化的背景实质增强（BPE）量化	提出了一种迭代循环一致性半监督学习框架，通过使用大量未标注的配对前后对比图像来提升分割性能，并设计了重建网络与分割网络级联，探索两阶段图像之间的相互关系	需要大量未标注的配对前后对比图像，且实验仅在两个数据集上进行验证	提高乳腺纤维腺体组织分割的准确性，实现自动化的背景实质增强（BPE）量化	乳腺纤维腺体组织	计算机视觉	乳腺癌	动态对比增强磁共振成像（DCE-MRI）	半监督学习框架	图像	两个数据集
279	2024-12-28	UPL-SFDA: Uncertainty-Aware Pseudo Label Guided Source-Free Domain Adaptation for Medical Image Segmentation 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3318364 PMID:37738202	研究论文	本文提出了一种新的不确定性感知伪标签引导的源自由域适应方法（UPL-SFDA），用于医学图像分割	提出了目标域增长（TDG）和两次前向传递监督（TFS）策略，通过增强目标域预测的多样性和使用可靠的伪标签进行监督，提高了源自由域适应的性能	尽管在多个数据集上验证了方法的有效性，但未提及在更广泛或更具挑战性的数据集上的表现	提高医学图像分割模型在新目标域上的适应能力	医学图像分割模型	计算机视觉	NA	源自由域适应（SFDA）	深度学习模型	医学图像	多站点心脏MRI分割数据集、跨模态胎儿脑分割数据集和3D胎儿组织分割数据集
280	2024-12-28	Semi-Supervised Representation Learning for Segmentation on Medical Volumes and Sequences 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3319973 PMID:37756175	研究论文	本文提出了一种半监督表示学习方法，用于医学体积和序列的分割	提出了两个新模块，分别用于增强编码器和解码器的特征，包括基于切片/帧之间连续性的非对称网络和基于语义一致性的语义对比学习	未提及具体局限性	提高高维医学体积和序列的分割性能	医学体积和序列	数字病理学	NA	半监督学习	非对称网络	医学体积和序列	在三个基准数据集（ACDC、Prostate、CAMUS）上进行了评估