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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
461 | 2024-10-04 |
CardioVision: A fully automated deep learning package for medical image segmentation and reconstruction generating digital twins for patients with aortic stenosis
2023-10, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 开发了一个全自动的深度学习工具,用于医学图像分割和重建,生成主动脉瓣狭窄患者的数字孪生体 | 利用U-Net架构的深度学习模型实现了全自动的医学图像分割,显著减少了计算成本并提高了精度 | NA | 优化新兴设备,预测临床结果,并模拟虚拟介入手术 | 主动脉瓣狭窄患者的数字孪生体 | 计算机视觉 | 心血管疾病 | 深度学习 | U-Net | 图像 | NA |
462 | 2024-10-04 |
Automatic Localization of the Pons and Vermis on Fetal Brain MR Imaging Using a U-Net Deep Learning Model
2023-10, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A7978
PMID:37652583
|
研究论文 | 本文开发了一种基于U-Net深度学习模型的方法,用于在胎儿脑部MRI图像中自动定位脑桥和小脑蚓部 | 首次使用U-Net深度学习模型自动识别胎儿脑部MRI图像中的解剖标志,并生成模型预测的置信度分数 | 仅使用了55例胎儿脑部MRI图像进行训练和验证,样本量较小 | 开发一种自动化的深度学习模型和流程,用于在胎儿脑部MRI图像中识别解剖标志,以提高测量脑桥和小脑蚓部的准确性 | 胎儿脑部MRI图像中的脑桥和小脑蚓部 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | 55例胎儿脑部MRI图像 |
463 | 2024-10-04 |
Open-Source Automated Segmentation of Neuronal Structures in Corneal Confocal Microscopy Images of the Subbasal Nerve Plexus With Accuracy on Par With Human Segmentation
2023-Oct-01, Cornea
IF:1.9Q2
DOI:10.1097/ICO.0000000000003319
PMID:37669422
|
研究论文 | 本文研究了在角膜共聚焦显微镜图像中自动分割神经结构的方法 | 提出了一种基于深度学习的两阶段算法,能够自动分割角膜神经和其他结构,准确度与人工分割相当 | NA | 实现角膜神经和其他结构在角膜共聚焦显微镜图像中的自动分割 | 角膜神经和其他结构在角膜共聚焦显微镜图像中的自动分割 | 计算机视觉 | 眼表疾病 | 深度学习 | 生成对抗网络 | 图像 | 训练和验证集包含来自73个个体每层的470张图像,测试集包含来自43个眼表疾病患者的207张手动分割的图像 |
464 | 2024-10-04 |
Deep Learning-Based Feature Extraction from Whole-Body PET/CT Employing Maximum Intensity Projection Images: Preliminary Results of Lung Cancer Data
2023-Oct, Nuclear medicine and molecular imaging
IF:1.3Q3
DOI:10.1007/s13139-023-00802-9
PMID:37720886
|
研究论文 | 本文提出了一种基于深度学习的方法,利用全身PET/CT生成的最大强度投影图像进行特征提取,并应用于肺癌数据的初步结果 | 本文创新地使用最大强度投影图像作为输入,避免了直接使用3D PET体积数据,从而减少了数据处理难度和资源需求 | 本文仅提供了初步结果,尚未在大规模数据集上验证其有效性 | 探索基于深度学习的特征提取方法在全身PET/CT图像分析中的应用 | 肺癌患者的全身PET/CT图像及其临床病理因素 | 计算机视觉 | 肺癌 | 最大强度投影 | 卷积神经网络 | 图像 | 562例肺癌患者的[18F]FDG PET/CT图像及其临床病理因素 |
465 | 2024-10-04 |
3D Convolution neural network with multiscale spatial and temporal cues for motor imagery EEG classification
2023-Oct, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-022-09906-y
PMID:37786651
|
研究论文 | 本文提出了一种基于3D卷积神经网络的多尺度时空特征提取方法,用于提高运动想象脑电信号分类的准确性 | 本文创新性地提出了一个端到端的3D CNN模型,能够自适应地分配权重给与运动相关的空间通道和时间采样提示,从而减少生物和环境噪声的影响 | NA | 提高运动想象脑电信号分类的准确性 | 运动想象脑电信号 | 机器学习 | NA | 3D卷积神经网络 | 3D CNN | 脑电信号 | 两个常用数据集,分别达到93.06%和97.05%的平均分类准确率 |
466 | 2024-10-04 |
Expanding Role of Advanced Image Analysis in CT-detected Indeterminate Pulmonary Nodules and Early Lung Cancer Characterization
2023-10, Radiology
IF:12.1Q1
DOI:10.1148/radiol.222904
PMID:37815447
|
综述 | 本文综述了在胸部CT中使用先进的图像分析技术对不确定的肺结节和早期肺癌进行分类和特征化的方法 | 介绍了机器学习模型和深度学习架构在CT衍生的放射组学特征中的应用 | 方法学挑战和技术障碍,如异质性成像参数、最佳特征选择、模型选择以及训练和验证所需的良好注释图像数据集 | 探讨如何通过早期检测和干预来提高肺癌护理水平 | 不确定的肺结节和早期肺癌 | 计算机视觉 | 肺癌 | CT | 机器学习模型和深度学习架构 | 图像 | NA |
467 | 2024-10-04 |
MRI-based Deep Learning Assessment of Amyloid, Tau, and Neurodegeneration Biomarker Status across the Alzheimer Disease Spectrum
2023-10, Radiology
IF:12.1Q1
DOI:10.1148/radiol.222441
PMID:37815445
|
研究论文 | 本文利用深度学习技术,通过MRI数据预测PET确定的阿尔茨海默病谱系中的淀粉样蛋白、Tau蛋白和神经退行性变生物标志物状态 | 本文首次使用MRI数据结合深度学习技术,非侵入性地预测阿尔茨海默病谱系中的ATN生物标志物状态 | 本文的研究样本量有限,且仅限于阿尔茨海默病影像学倡议的数据集 | 利用深度学习技术,通过MRI和现有诊断数据预测PET确定的ATN生物标志物状态 | 阿尔茨海默病谱系中的淀粉样蛋白、Tau蛋白和神经退行性变生物标志物 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | 卷积神经网络 | MRI图像 | 2099个淀粉样蛋白样本,557个Tau蛋白样本,2768个FDG PET和MRI配对样本 |
468 | 2024-10-04 |
The Impact of Changing Step 1 to Pass/Fail Reporting on Anxiety, Learning Approaches, and Curiosity
2023-Oct, Medical science educator
IF:1.9Q2
DOI:10.1007/s40670-023-01878-w
PMID:37886271
|
研究论文 | 研究了美国医学执照考试(USMLE)Step 1从三位数评分改为通过/不通过评分对学生焦虑、学习方法和好奇心的影响 | 首次探讨了USMLE Step 1评分方式改变对学生心理和学习策略的具体影响 | 样本仅来自三所医学院的预科学生,可能限制了研究结果的普适性 | 探讨USMLE Step 1评分方式改变对医学生焦虑、学习方法和好奇心的影响 | 预科医学生的焦虑、学习方法和好奇心 | NA | NA | Mann-Whitney U检验和多元回归路径分析 | NA | 问卷调查数据 | 86名三位数评分考生和154名通过/不通过评分考生 |
469 | 2024-10-04 |
Fast Reconstruction for Deep Learning PET Head Motion Correction
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43999-5_67
PMID:38174207
|
研究论文 | 本文提出了一种新的头部运动校正框架,利用快速重建作为输入,用于脑部PET成像中的运动校正 | 采用高分辨率短帧快速重建工作流程,开发了一种新的PET数据表示提取编码器,并实施了数据增强技术 | NA | 提高脑部PET成像中头部运动校正的准确性和效率 | 脑部PET成像中的头部运动 | 计算机视觉 | NA | 深度学习 | 编码器 | 图像 | 多受试者研究,使用F-FPEB数据集 |
470 | 2024-10-04 |
Deep learning image analysis quantifies tumor heterogeneity and identifies microsatellite instability in colon cancer
2023-Mar, Journal of surgical oncology
IF:2.0Q2
DOI:10.1002/jso.27118
PMID:36251352
|
研究论文 | 本文利用深度学习技术分析结直肠癌的肿瘤异质性并识别微卫星不稳定性 | 提出了肿瘤异质性评分(THS),并发现其与微卫星不稳定性状态相关 | 需要扩展训练集以开发预测微卫星不稳定性的工具 | 研究深度学习在结直肠癌肿瘤异质性和微卫星不稳定性识别中的应用 | 结直肠癌的肿瘤异质性和微卫星不稳定性 | 数字病理学 | 结直肠癌 | 卷积神经网络(CNN) | CNN | 图像 | 313名患者的苏木精-伊红染色(H&E)图像,生成534,771个切片 |
471 | 2024-10-04 |
Automatic deep learning method for third lumbar selection and body composition evaluation on CT scans of cancer patients
2023, Frontiers in nuclear medicine (Lausanne, Switzerland)
DOI:10.3389/fnume.2023.1292676
PMID:39355015
|
研究论文 | 开发并验证了一种深度学习算法,用于自动选择和分割癌症患者CT扫描中的第三腰椎以及评估身体成分 | 首次使用深度学习算法自动选择第三腰椎并分割腹部肌肉、内脏脂肪和皮下脂肪,减少了手动操作的时间和复杂性 | 仅在两个癌症中心的352例CT扫描中进行了验证,可能需要进一步的多中心验证以确保广泛适用性 | 开发一种自动化的深度学习方法,用于癌症患者CT扫描中的第三腰椎选择和身体成分评估 | 癌症患者的CT扫描图像,特别是第三腰椎及其周围的身体成分 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 352例CT扫描 |
472 | 2024-10-04 |
Coupling analysis of heart rate variability and cortical arousal using a deep learning algorithm
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0284167
PMID:37023117
|
研究论文 | 本研究使用深度学习算法分析了心率变异性与皮质觉醒之间的耦合关系 | 首次在多民族人群中研究了皮质觉醒与心率变异性的即时关联 | 研究仅限于多民族动脉粥样硬化研究数据集中的1069名受试者 | 探讨皮质觉醒与心率变异性之间的关联及其在不同性别和睡眠阶段中的差异 | 心率变异性与皮质觉醒的关联 | 心血管疾病 | NA | 深度学习 | 深度学习算法 | 心电信号 | 1069名受试者的整夜心电信号 |
473 | 2024-10-02 |
Unsupervised contrastive graph learning for resting-state functional MRI analysis and brain disorder detection
2023-12-01, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.26469
PMID:37668327
|
研究论文 | 提出了一种无监督对比图学习框架,用于静息态功能磁共振成像分析和脑部疾病检测 | 设计了一种双层fMRI增强策略,通过增强血氧水平依赖信号来增加样本量,并采用两个并行的图卷积网络进行无监督对比学习 | 未提及 | 探索fMRI生物标志物以预测脑部疾病进展,并提出一种无需大量标注数据的无监督学习方法 | 静息态功能磁共振成像数据和脑部疾病 | 机器学习 | NA | 功能磁共振成像 | 图卷积网络 | 图像 | 未具体说明 |
474 | 2024-10-02 |
"A net for everyone": fully personalized and unsupervised neural networks trained with longitudinal data from a single patient
2023-10-31, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-023-01128-w
PMID:37907876
|
研究论文 | 本文探讨了使用单个患者的纵向数据训练个性化无监督神经网络以检测肿瘤进展的概念验证 | 提出了一种使用单个患者的纵向数据训练个性化神经网络的新方法,无需额外的训练数据或手动标注 | 仅在胶质母细胞瘤患者的数据集上进行了验证,尚未在其他类型的肿瘤或疾病中进行测试 | 展示使用单个患者的纵向数据训练深度神经网络以监测肿瘤变化的潜力 | 胶质母细胞瘤患者的脑部MRI图像 | 机器学习 | 脑癌 | MRI | Wasserstein-GAN | 图像 | 64次扫描,来自32名胶质母细胞瘤患者 |
475 | 2024-10-02 |
Detection of ASD Children through Deep-Learning Application of fMRI
2023-Oct-05, Children (Basel, Switzerland)
DOI:10.3390/children10101654
PMID:37892317
|
研究论文 | 本研究开发了一种先进的卷积神经网络算法,用于通过静息态功能磁共振成像早期检测自闭症谱系障碍 | 本研究的创新点在于开发了一种高效的卷积神经网络算法,显著提高了自闭症谱系障碍的早期检测准确性 | NA | 本研究的目的是开发一种计算机辅助的自闭症谱系障碍早期筛查方法 | 本研究的对象是自闭症谱系障碍儿童 | 计算机视觉 | 自闭症谱系障碍 | 功能磁共振成像 | 卷积神经网络 | 图像 | 本研究使用了来自Autism Brain Imaging Data Exchange (ABIDE I)数据库的126名受试者(56名自闭症患者,70名对照组)的数据,共计22,176个二维回波平面样本 |
476 | 2024-10-02 |
SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for Prior-Informed Assessment of Muscle Function and Pathology
2023-10, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202206319
PMID:37582656
|
研究论文 | 本文介绍了一种名为SEMPAI的自增强多光子人工智能系统,用于肌肉功能和病理的先验信息评估 | SEMPAI通过元学习优化先验知识、数据表示和神经网络架构的集成,实现了对小数据集的预测,并在多个预测任务中优于现有技术 | NA | 开发一种能够利用先验知识进行肌肉功能和病理评估的深度学习系统 | 肌肉纤维的功能和病理 | 机器学习 | NA | 多光子显微镜 | 深度学习模型 | 图像 | 十年实验中的大量单肌肉纤维数据 |
477 | 2024-10-02 |
Unlocking the Emotional World of Visual Media: An Overview of the Science, Research, and Impact of Understanding Emotion: Drawing Insights From Psychology, Engineering, and the Arts, This Article Provides a Comprehensive Overview of the Field of Emotion Analysis in Visual Media and Discusses the Latest Research, Systems, Challenges, Ethical Implications, and Potential Impact of Artificial Emotional Intelligence on Society
2023-Oct, Proceedings of the IEEE. Institute of Electrical and Electronics Engineers
DOI:10.1109/JPROC.2023.3273517
PMID:37859667
|
综述 | 本文全面概述了视觉媒体情感分析领域,讨论了最新研究、系统、挑战、伦理影响及其对社会的潜在影响 | 本文结合心理学、工程学和艺术领域的见解,提供了一个多学科的情感分析概述 | 情感分析面临缺乏普遍接受的情感定义和情感主观性及复杂性的挑战 | 探讨视觉媒体中情感理解的心理学基础和计算原理,并讨论其技术挑战和伦理影响 | 视觉媒体中的情感分析 | 计算机视觉 | NA | 深度学习 | NA | 图像和视频 | NA |
478 | 2024-10-02 |
Intelligent Breast Mass Classification Approach Using Archimedes Optimization Algorithm with Deep Learning on Digital Mammograms
2023-Oct-01, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics8060463
PMID:37887593
|
研究论文 | 本文提出了一种基于阿基米德优化算法和深度学习的智能乳腺肿块分类方法,用于数字乳腺X光片的分析 | 本文创新性地结合了阿基米德优化算法和深度学习技术,用于乳腺肿块的分类,并采用了中值滤波和U-Net分割作为预处理步骤 | 本文的实验结果仅基于MIAS数据集,可能需要进一步验证其在其他数据集上的表现 | 本文旨在通过结合生物启发算法和深度学习模型,提高乳腺肿块分类的准确性 | 本文的研究对象是数字乳腺X光片中的乳腺肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | 卷积神经网络 (CNN) 和深度信念网络 (DBN) | 图像 | 本文使用了来自Kaggle仓库的MIAS数据集进行实验 |
479 | 2024-10-02 |
Exploring the Steps of Infrared (IR) Spectral Analysis: Pre-Processing, (Classical) Data Modelling, and Deep Learning
2023-Sep-30, Molecules (Basel, Switzerland)
DOI:10.3390/molecules28196886
PMID:37836728
|
综述 | 本文综述了红外光谱分析的步骤,包括预处理、经典数据建模和深度学习 | 本文探讨了经典机器学习和深度学习在红外光谱分析中的最新进展 | NA | 探讨红外光谱分析中的预处理和数据建模方法 | 红外光谱数据及其在生物医学样本中的应用 | 机器学习 | NA | 红外光谱 | 经典机器学习模型和深度学习模型 | 光谱数据 | NA |
480 | 2024-10-02 |
Developments in Image Processing Using Deep Learning and Reinforcement Learning
2023-Sep-30, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging9100207
PMID:37888314
|
review | 本文综述了深度学习和强化学习在图像处理领域的最新进展和优化方案 | 本文讨论了图像处理应用中的主要改进和最新发展,并提出了未来研究方向 | 尽管取得了良好成果,但该领域仍面临许多挑战 | 探讨图像处理应用中的最新进展和未来研究方向 | 图像处理中的深度学习和强化学习技术 | computer vision | NA | 深度学习和强化学习 | NA | image | NA |