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
321	2024-12-20	Global attention based GNN with Bayesian collaborative learning for glomerular lesion recognition 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108369 PMID:38552283	研究论文	本文提出了一种基于全局注意力机制的图神经网络（GNN），结合贝叶斯协同学习（BCL）用于肾小球病变识别	创新点包括使用全局注意力池化（GAP）提取高层次语义特征，结合贝叶斯协同学习增强节点特征的微调和融合，并引入软分类头以缓解纯硬分类带来的语义模糊问题	NA	开发一种高效且准确的模型用于肾小球病变识别，并推广到其他病理图像分类任务	肾小球病变图像	数字病理学	肾脏疾病	图神经网络（GNN）	GNN	图像	491张全切片图像（WSIs）和9030张图像
322	2024-12-20	Image-based profiling and deep learning reveal morphological heterogeneity of colorectal cancer organoids 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108322 PMID:38554658	研究论文	本文通过基于图像的分析和深度学习揭示了结直肠癌类器官的形态异质性	本文首次通过图像分析和深度学习模型识别了结直肠癌类器官的两种形态亚型，并验证了这些亚型与功能参数的相关性，提出了一种基于生成模型的凋亡强度预测方法	本文主要基于图像分析和单细胞RNA测序，未涉及其他类型的实验验证	研究结直肠癌类器官的形态异质性及其与功能参数的关系	结直肠癌类器官的形态亚型及其与存活率和凋亡水平的关系	数字病理学	结直肠癌	图像分析、单细胞RNA测序	生成模型、目标检测神经网络	图像	31360张明场图像和17000多张匹配的荧光图像
323	2024-12-20	Dual-Channel in Spatial-Frequency Domain CycleGAN for perceptual enhancement of transcranial cortical vascular structure and function 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108377 PMID:38569233	研究论文	本文提出了一种名为空间-频域双通道CycleGAN（SF-CycleGAN）的无监督深度学习方法，用于增强经颅皮质血管结构和功能的感知质量	SF-CycleGAN能够在不进行开颅手术的情况下，非侵入性地提高激光散斑对比成像（LSCI）的信噪比，并实现对小皮质血管的功能观察	NA	开发一种无监督深度学习方法，以提高经颅皮质血管结构和功能的感知质量	经颅皮质血管结构和功能	计算机视觉	NA	激光散斑对比成像（LSCI）	CycleGAN	图像	NA
324	2024-12-20	Robust deep learning from incomplete annotation for accurate lung nodule detection 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108361 PMID:38569236	研究论文	本文探讨了在不完全标注的数据集上进行肺结节检测，并提出了FULFIL算法，通过图卷积网络和教师-学生框架实现自适应标注和学习	提出了FULFIL算法，利用图卷积网络发现标注与未标注结节之间的关系，并通过教师-学生框架进行自适应学习，设计了双视角损失函数以增强模型的鲁棒性和泛化能力	实验仅使用了LUNA数据集，且仅使用了10%的实例级标注，可能限制了算法的普适性和性能	探索在不完全标注的数据集上进行肺结节检测，并提出一种新的算法以降低标注成本并提高检测性能	肺结节检测	计算机视觉	肺癌	图卷积网络	图卷积网络	图像	使用了LUNA数据集，仅使用了10%的实例级标注
325	2024-12-20	LRFNet: A real-time medical image fusion method guided by detail information 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108381 PMID:38569237	研究论文	本文提出了一种名为LRFNet的实时多模态医学图像融合方法，通过轻量级残差融合网络提升图像融合的效率和细节保留	设计了三分支特征提取框架和轻量级残差单元，提出基于小波变换高频图像信息自适应加权的损失函数策略	未提及具体局限性	提升多模态医学图像融合的效率和细节保留	MRI和功能图像的多模态医学图像融合	计算机视觉	NA	小波变换	轻量级残差融合网络	图像	未提及具体样本数量
326	2024-12-20	SG-Transunet: A segmentation-guided Transformer U-Net model for KRAS gene mutation status identification in colorectal cancer 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108293 PMID:38574528	研究论文	本文提出了一种名为SG-Transunet的分割引导Transformer U-Net模型，用于结直肠癌中KRAS基因突变状态的识别	本文的创新点在于结合了卷积神经网络和Transformer的优势，设计了频率域补充块和聚合注意力模块，以增强空间-频率域特征的判别能力，并引入了相互约束的损失函数	本文的局限性在于使用了小规模数据集，可能存在过拟合风险	本文的研究目的是提高结直肠癌中KRAS基因突变状态识别的准确性	本文的研究对象是结直肠癌患者的KRAS基因突变状态	计算机视觉	结直肠癌	卷积神经网络（CNN）、Transformer	SG-Transunet	图像	小规模数据集
327	2024-12-20	Prediction of protein N-terminal acetylation modification sites based on CNN-BiLSTM-attention model 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108330 PMID:38588617	研究论文	本文提出了一种基于CNN-BiLSTM-attention模型的蛋白质N端乙酰化修饰位点预测方法	本文创新性地结合了卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制，构建了一个深度学习模型DeepCBA，用于预测蛋白质N端乙酰化修饰位点	NA	准确识别蛋白质N端乙酰化修饰位点，以深入了解细胞过程和其他可能的功能机制	蛋白质N端乙酰化修饰位点	机器学习	NA	卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）、注意力机制	CNN-BiLSTM-attention	蛋白质序列	从Uniport数据库中选择低冗余蛋白质序列，并通过CD-HIT工具进一步减少冗余
328	2024-12-20	A feature-enhanced network for stroke lesion segmentation from brain MRI images 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108326 PMID:38599066	研究论文	提出了一种用于脑MRI图像中卒中病变分割的特征增强网络FRPNet	引入了双注意力门（TAG）和多维度注意力池化（MAP）模块，分别用于提取病变的全局和局部特征，并减少编码过程中特征的损失	当前深度学习方法在注意力结构和下采样过程中存在局限性	提高卒中病变分割的准确性和速度，以辅助医生进行准确的诊断和及时的治疗	脑MRI图像中的卒中病变	计算机视觉	卒中	深度学习	FRPNet	图像	两个包含所有卒中阶段和多个序列卒中图像的缺血性卒中数据集
329	2024-12-20	Interpretable Cognitive Ability Prediction: A Comprehensive Gated Graph Transformer Framework for Analyzing Functional Brain Networks 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3343365 PMID:38109241	研究论文	本文提出了一种基于门控图变换器（GGT）框架的认知能力预测方法，通过分析功能性脑网络来预测个体的认知能力	本文创新性地结合了门控机制和可学习的结构与位置编码（LSPE），并利用注意力机制动态分配传播权重，从而提高了模型的解释性和预测准确性	NA	研究目的是开发一种可解释的认知能力预测模型，以分析功能性脑网络	研究对象是基于fMRI功能连接（FC）的功能性脑网络	机器学习	NA	fMRI	门控图变换器（GGT）	图像	两个大型脑成像数据集：费城神经发育队列（PNC）和人类连接组项目（HCP）
330	2024-12-20	Efficient Supervised Pretraining of Swin-Transformer for Virtual Staining of Microscopy Images 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3337253 PMID:38010933	研究论文	本文提出了一种基于Swin-Transformer模型的虚拟染色方法，并通过高效的监督预训练技术提升了模型性能	本文创新性地采用了基于掩码自编码器（MAE）的监督预训练方法，通过下采样和网格采样减少了计算量和数据依赖，并设计了多风格染色预测的监督代理任务	本文主要基于公开数据集进行实验，未来可能需要验证其在更多私有数据集上的泛化能力	开发一种高效的虚拟染色方法，减少对大规模预训练的依赖	显微镜图像的虚拟染色	计算机视觉	NA	Swin-Transformer	Swin-Transformer	图像	三个公开数据集
331	2024-12-20	EAG-RS: A Novel Explainability-Guided ROI-Selection Framework for ASD Diagnosis via Inter-Regional Relation Learning 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3337362 PMID:38015693	研究论文	提出了一种新的可解释性引导的ROI选择框架EAG-RS，通过学习脑区间的高阶非线性关系来诊断自闭症谱系障碍	引入了一种新的可解释性引导的ROI选择框架，通过随机种子网络掩蔽和可解释连接相关性评分来识别高阶非线性功能关联，并选择具有分类信息的脑区进行诊断	现有研究使用线性低阶功能连接作为模型输入，缺乏足够信息，未考虑患者个体差异，且决策过程不可解释	解决现有自闭症诊断方法的局限性，提出一种新的框架来提高诊断准确性和可解释性	自闭症谱系障碍患者的功能磁共振成像数据	机器学习	自闭症谱系障碍	功能磁共振成像	NA	图像	使用Autism Brain Imaging Data Exchange (ABIDE)数据集进行验证
332	2024-12-20	A Learnable Counter-Condition Analysis Framework for Functional Connectivity-Based Neurological Disorder Diagnosis 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3337074 PMID:38019623	研究论文	本文提出了一种可学习的反条件分析框架，用于基于功能连接的神经功能障碍诊断	本文创新性地提出了一种统一的框架，将诊断和解释系统性地整合在一起，并设计了自适应注意力网络进行特征选择，提出了功能网络关系编码器来学习功能连接的全局拓扑属性，并引入了反条件分析方法进行神经科学解释	本文未提及具体的局限性	研究目的是开发一种新的框架，用于基于功能连接的神经功能障碍诊断，并提供神经科学解释	研究对象是基于功能连接的神经功能障碍诊断	机器学习	NA	功能磁共振成像 (fMRI)	自适应注意力网络，功能网络关系编码器	功能连接数据	使用了两个大型静息态功能磁共振成像数据集，分别是Autism Brain Imaging Data Exchange (ABIDE) 和 REST-meta-MDD
333	2024-12-20	Semi-Supervised Medical Image Segmentation Using Cross-Style Consistency With Shape-Aware and Local Context Constraints 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3338269 PMID:38032771	研究论文	提出了一种基于交叉风格一致性和形状感知与局部上下文约束的半监督医学图像分割框架	设计了形状无关和形状感知两个并行网络，通过交叉风格一致性策略和局部上下文约束来提高半监督学习的效果，并有效利用未标注数据	未明确提及	解决半监督医学图像分割中标注数据不足的问题，提升分割精度和形状感知能力	医学图像的分割	计算机视觉	NA	深度学习	NA	图像	三个不同数据集的医学图像
334	2024-12-20	An Energy Matching Vessel Segmentation Framework in 3-D Medical Images 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3339204 PMID:38048240	研究论文	本文提出了一种高分辨率能量匹配分割（HrEmS）框架，用于从高分辨率三维医学扫描中进行精确的血管分割	引入了一种新的基于实数阶全变差算子的损失函数，用于指导分割网络通过匹配预测分割与手动标签的能量来获得正确的拓扑结构；开发了一个基于曲率的权重校正模块，使网络能够专注于血管的关键和复杂结构部分	NA	开发一种可靠且可扩展的框架，用于从高分辨率三维医学扫描中进行血管分割，以帮助临床医生可视化复杂的血管结构并诊断相关的血管疾病	高分辨率三维医学扫描中的血管分割	计算机视觉	NA	深度学习	NA	图像	三个内部多中心数据集和三个公共数据集
335	2024-12-20	DeepMesh: Mesh-Based Cardiac Motion Tracking Using Deep Learning 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3340118 PMID:38064325	研究论文	提出了一种名为DeepMesh的深度学习框架，用于从心脏磁共振图像中估计心脏的三维运动	通过将心脏建模为包含心外膜和心内膜表面的三维网格，并开发了一种可微分的网格到图像光栅化器，能够利用多个解剖视图的2D形状信息进行3D网格重建和网格运动估计	主要集中在左心室的三维运动估计，未涉及其他心脏结构	开发一种新的方法来估计心脏的三维运动，以评估心脏功能和诊断心血管疾病	心脏的三维运动，特别是左心室	计算机视觉	心血管疾病	深度学习	NA	图像	来自UK Biobank的心脏磁共振图像
336	2024-12-20	DeepTree: Pathological Image Classification Through Imitating Tree-Like Strategies of Pathologists 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3341846 PMID:38090840	研究论文	本文提出了一种基于树状策略的深度学习架构DeepTree，用于病理图像分类，模仿病理学家的诊断决策过程	创新点在于设计了一种基于树状策略的深度学习架构DeepTree，模仿病理学家的诊断方法，并结合了组织形态学相关性进行条件学习	NA	提高病理图像分类的准确性、透明性和可信度，促进人工智能辅助诊断在临床中的实际应用	肺癌症冷冻组织和乳腺癌亚型病理图像	数字病理学	肺癌	深度学习	DeepTree	图像	包括肺癌症冷冻组织和乳腺癌亚型病理图像的数据集
337	2024-12-20	OIF-Net: An Optical Flow Registration-Based PET/MR Cross-Modal Interactive Fusion Network for Low-Count Brain PET Image Denoising 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3342809 PMID:38096101	研究论文	本文提出了一种基于光流配准的PET/MR跨模态交互融合网络OIF-Net，用于低计数脑PET图像的去噪	本文创新性地引入了光流预配准模块和跨模态特征融合模块，解决了多模态融合阶段的特征错位问题，并提高了特征融合过程的效率	NA	提高低计数PET图像的质量，以实现更好的临床诊断	低计数脑PET图像	医学影像	NA	光流配准	CNN	图像	真实临床数据集及独立临床测试数据集
338	2024-12-20	DDParcel: Deep Learning Anatomical Brain Parcellation From Diffusion MRI 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3331691 PMID:37943635	研究论文	本文介绍了一种名为DDParcel的深度学习方法，用于直接从扩散MRI数据中快速准确地进行大脑解剖区域的划分	DDParcel通过多层次融合网络直接从dMRI数据中进行大脑解剖区域的划分，无需依赖解剖MRI数据，提高了测试重测的可重复性和区域同质性	NA	开发一种新的深度学习方法，用于从扩散MRI数据中直接进行大脑解剖区域的划分	大脑的解剖区域划分	计算机视觉	NA	扩散MRI	多层次融合网络	图像	使用了Human Connectome Project的高质量数据进行训练，并在多种人群和dMRI采集协议上进行了验证
339	2024-12-20	A Transformer-Based Knowledge Distillation Network for Cortical Cataract Grading 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3327274 PMID:37874703	研究论文	本文提出了一种基于Transformer的知识蒸馏网络TKD-Net，用于皮质性白内障分级	创新点包括设计了区域分解策略提取更精细的特征，引入特殊子评分考虑临床皮质混浊评估的关键因素，并开发了多模态混合注意力Transformer有效融合子评分和图像模态，同时设计了基于Transformer的知识蒸馏方法解决模态缺失和不确定数据问题	获取子评分模态在临床上是一个挑战，可能导致模态缺失问题	开发一种新的方法用于自动皮质性白内障分级	皮质性白内障的自动分级	计算机视觉	眼科疾病	Transformer	Transformer	图像	使用了由LOCS III分级系统标注的常用裂隙灯图像数据集
340	2024-12-20	Probabilistic Brain Extraction in MR Images via Conditional Generative Adversarial Networks 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3327942 PMID:37883281	研究论文	本文提出了一种基于条件生成对抗网络（cGAN）的概率性脑提取算法，用于在MR图像中分割脑部区域	本文的创新点在于将脑提取任务重新定义为贝叶斯推理问题，并利用cGAN来解决这一问题，从而考虑了脑提取中的固有不确定性	NA	开发一种更准确和鲁棒的脑提取算法，并量化脑提取中的不确定性	MR图像中的脑部区域	计算机视觉	NA	条件生成对抗网络（cGAN）	cGAN	图像	来自五个数据集（NFBS、CC359、LPBA、IBSR及其组合）的头MR图像