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
41	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
42	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
43	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
44	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
45	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
46	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
47	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
48	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
49	2024-12-28	CoInNet: A Convolution-Involution Network With a Novel Statistical Attention for Automatic Polyp Segmentation 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3320151 PMID:37768798	研究论文	本文提出了一种名为CoInNet的卷积-反卷积网络，用于自动息肉分割，通过统计注意力单元和异常边界近似模块提高分割精度	CoInNet结合了卷积和反卷积操作的优势，并通过统计特征注意力单元学习不同特征图之间的关系，同时引入了异常边界近似模块来优化分割结果	NA	开发一种自动息肉分割模型，以辅助医生在胃肠道区域的早期诊断	胃肠道息肉	计算机视觉	结直肠癌	NA	卷积-反卷积网络（CoInNet）	图像	五个基准息肉分割数据集
50	2024-12-25	Deep Learning-Based Visual Complexity Analysis of Electroencephalography Time-Frequency Images: Can It Localize the Epileptogenic Zone in the Brain? 2023-Dec, Algorithms IF:1.8Q2 DOI:10.3390/a16120567 PMID:39712322	研究论文	本文提出了一种基于深度学习的视觉复杂度分析方法，用于解释从颅内脑电图（iEEG）数据中提取的时间-频率（TF）图像，并评估其识别大脑癫痫灶（EZ）的能力	本文创新性地使用预训练的VGG16网络从13个卷积层中提取无监督激活能量（UAE），并通过支持向量机分类器识别大脑中的兴趣点，从而实现对癫痫灶的定位	本文仅分析了20名儿童的颅内脑电图数据，样本量较小，可能限制了结果的普适性	评估基于深度学习的视觉复杂度分析方法在识别大脑癫痫灶中的应用	颅内脑电图（iEEG）信号及其时间-频率图像	计算机视觉	癫痫	深度学习	VGG16	图像	1928个接触点，来自20名患有药物难治性癫痫的儿童
51	2024-12-25	Concurrent Ischemic Lesion Age Estimation and Segmentation of CT Brain Using a Transformer-Based Network 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3287361 PMID:37335797	研究论文	本文提出了一种基于Transformer的多任务网络，用于同时进行脑CT图像中的缺血性病变分割和年龄估计	首次将深度学习应用于同时进行病变年龄估计和分割，利用了两者之间的互补关系，并引入了门控位置自注意力和CT特定数据增强技术	实验仅在两个医疗中心的776张CT图像上进行评估，样本量相对较小	开发一种能够同时进行脑CT图像中缺血性病变分割和年龄估计的自动化方法，以辅助临床决策	脑CT图像中的缺血性病变	计算机视觉	中风	Transformer网络	Transformer	图像	776张脑CT图像
52	2024-12-25	Artifact Detection and Restoration in Histology Images With Stain-Style and Structural Preservation 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3288940 PMID:37352087	研究论文	本文提出了一种用于组织学图像中伪影检测和修复的预处理框架，旨在减少伪影对下游AI诊断任务的影响	本文的创新点在于提出了一个系统化的预处理框架，能够自动检测和修复组织学图像中的伪影，并保留染色风格和组织结构	NA	减少组织学图像中伪影对AI诊断任务的影响，提高自动化程度	组织学图像中的伪影检测和修复	数字病理学	结直肠癌、乳腺癌	NA	AR-Classifier、AR-CycleGAN	图像	临床收集的全切片图像（WSIs）和公开的结直肠癌、乳腺癌数据集
53	2024-12-25	Equilibrated Zeroth-Order Unrolled Deep Network for Parallel MR Imaging 2023-12, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3293826 PMID:37428656	研究论文	本文提出了一种用于并行磁共振成像的零阶展开深度网络方法	本文创新性地提出了一个保护性的网络展开方法，通过将零阶算法展开，使网络模块本身作为正则化器，确保网络输出符合正则化模型，并证明了网络在噪声干扰下的鲁棒性	目前缺乏理论保证展开网络的全局收敛性和鲁棒性	解决现有展开网络在理论上的不足，提出一种新的展开方法以提高并行磁共振成像的性能	并行磁共振成像中的图像重建	机器学习	NA	深度学习	深度网络	图像	NA
54	2024-12-21	IsletSwipe, a mobile platform for expert opinion exchange on islet graft images 2023-12-31, Islets IF:1.9Q3 DOI:10.1080/19382014.2023.2189873 PMID:36987915	研究论文	本文介绍了一个名为IsletSwipe的移动平台，用于专家之间交换胰岛移植图像的意见，以促进共识的形成	开发了一个新的平台IsletSwipe，用于专家之间交换胰岛移植图像的意见，以解决IsletNet训练中缺乏共识的问题	询问场景仅限于少量手动选择的图像和胰岛，且需要专家的参与	开发一个平台，促进专家之间对胰岛移植图像的意见交换，以形成共识	胰岛移植图像的专家意见交换	机器学习	NA	深度学习	神经网络	图像	9位专家来自3个中心，8位专家来自2个中心
55	2024-12-19	Spatiotemporal Rhythmic Seizure Sources Can be Imaged by means of Biophysically Constrained Deep Neural Networks 2023-Dec-01, medRxiv : the preprint server for health sciences DOI:10.1101/2023.11.30.23299218 PMID:38076950	研究论文	本文研究了一种基于深度学习的源成像框架（DeepSIF），用于从高密度脑电图（EEG）记录中成像药物难治性局灶性癫痫患者的癫痫发作活动	提出了一个新颖的深度学习源成像框架（DeepSIF），并展示了其在癫痫发作源成像中的优越性能	研究仅限于药物难治性局灶性癫痫患者，未来需要进一步验证其在其他类型癫痫中的应用	开发一种非侵入性方法来成像癫痫发作活动，以帮助指导临床决策和改善癫痫患者的治疗效果	药物难治性局灶性癫痫患者的癫痫发作活动	机器学习	癫痫	深度学习	深度神经网络	脑电图（EEG）	33名药物难治性局灶性癫痫患者
56	2024-12-18	ORRN: An ODE-Based Recursive Registration Network for Deformable Respiratory Motion Estimation With Lung 4DCT Images 2023-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3280463 PMID:37279120	研究论文	本文提出了一种基于常微分方程（ODE）的递归配准网络ORRN，用于从肺部4DCT图像中估计可变形呼吸运动	ORRN采用递归配准策略，通过ODE积分逐步估计变形场，能够有效处理4D医学数据中的器官运动模式	NA	开发一种能够准确、快速处理4D医学数据中器官运动的可变形图像配准方法	肺部4DCT图像中的呼吸运动	计算机视觉	NA	常微分方程（ODE）	递归神经网络	图像	两个公开的肺部4DCT数据集，DIRLab和CREATIS
57	2024-12-18	Learning to Summarize Chinese Radiology Findings With a Pre-Trained Encoder 2023-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3280987 PMID:37314905	研究论文	本文提出了一种基于预训练编码器的中文放射学报告自动摘要方法	本文引入了新的任务导向预训练目标Pseudo Summary Objective，并开发了中文预训练语言模型CMBERT，用于初始化编码器并进行微调	现有方法无法直接应用于中文放射学报告摘要	开发一种自动摘要方法，以减轻医生在计算机辅助诊断中的工作负担	中文胸部放射学报告	自然语言处理	NA	预训练语言模型	BERT	文本	使用了来自湘雅二医院放射科的中文胸部放射学报告作为微调语料
58	2024-12-18	Optical Microphone-Based Speech Reconstruction System With Deep Learning for Individuals With Hearing Loss 2023-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3285437 PMID:37327105	研究论文	本文提出了一种基于深度学习的语音增强方法，结合光学麦克风系统，用于改善听力受损患者的语音感知	该方法通过光学麦克风和深度学习技术，能够在非平稳噪声和远距离说话的情况下有效增强语音信号，克服了传统语音增强方法的局限性	NA	克服传统语音增强方法在非平稳噪声和远距离说话情况下的局限性	听力受损患者的语音感知	机器学习	听力障碍	深度学习	NA	语音信号	七种典型的听力损失类型
59	2024-12-17	MetaNO: How to Transfer Your Knowledge on Learning Hidden Physics 2023-Dec-15, Computer methods in applied mechanics and engineering IF:6.9Q1 DOI:10.1016/j.cma.2023.116280 PMID:38292246	研究论文	本文提出了一种新的元学习方法MetaNO，用于神经算子，旨在在不同参数场的未知PDE之间转移解算子的知识	提出了一种新的元学习方法MetaNO，能够在不同参数场的未知PDE之间转移解算子的知识，并证明了其在神经算子模型第一层捕获底层参数场的能力	NA	研究如何将知识从已知的物理系统转移到新的、未见过的材料样本上，以提高采样效率	材料样本的微观结构和力学参数，以及隐藏的PDE的解算子	机器学习	NA	神经算子	神经算子	数据	NA
60	2024-12-17	Simultaneous data assimilation and cardiac electrophysiology model correction using differentiable physics and deep learning 2023-Dec-06, Interface focus IF:3.6Q1 DOI:10.1098/rsfs.2023.0043 PMID:38106918	研究论文	本文提出了一种结合可微物理和深度学习的混合方法，用于同时进行数据同化和心脏电生理学模型修正	本文的创新点在于将深度学习与物理模型相结合，通过数据驱动的方式补充简化的心脏模型，并同时估计模型参数	本文的局限性在于未详细讨论该方法在实际临床应用中的可行性和效果	本文的研究目的是改进心脏电生理学建模，提供一种鲁棒的生物物理工具用于预测	本文的研究对象是心脏电生理学模型及其参数估计	生物医学工程	心血管疾病	深度学习	混合模型	数据	NA