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
3901	2024-11-09	DeepMulticut: Deep Learning of Multicut Problem for Neuron Segmentation From Electron Microscopy Volume 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3409634 PMID:38833401	研究论文	本文提出了一种基于深度学习的端到端聚合框架DeepMulticut，用于解决电子显微镜体积中的神经元分割问题	将模型估计和模型求解两个阶段整合，提出了一种基于深度学习的端到端聚合框架DeepMulticut，并通过连续的Soft-GAEC算法解决了NP难的多割问题	NA	解决现有图划分方法在超像素聚合中的模型误差问题	电子显微镜体积中的神经元分割	计算机视觉	NA	深度学习	CNN	图像	三个公开的EM数据集
3902	2024-11-09	Toward DNN of LUTs: Learning Efficient Image Restoration With Multiple Look-Up Tables 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3401048 PMID:38743551	研究论文	提出了一种名为MuLUT的方法，通过构建多个查找表（LUT）来实现高效的图像恢复	引入了一种新的多LUT架构MuLUT，通过并行构建多个LUT和层级索引机制，显著提高了图像恢复的性能	未提及	开发一种高效的图像恢复算法，以满足边缘设备上高清屏幕的需求	图像恢复任务，包括超分辨率、去马赛克、去噪和去块效应	计算机视觉	NA	查找表（LUT）	MuLUT	图像	未提及
3903	2024-11-08	HOPE: High-Order Polynomial Expansion of Black-Box Neural Networks 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3399197 PMID:38728128	研究论文	本文介绍了一种名为HOPE的高阶多项式展开方法，用于将黑箱神经网络展开为高阶泰勒多项式	提出了一种新的高阶多项式展开方法HOPE，能够快速准确地计算神经网络的高阶导数，并将其展开为泰勒多项式，从而提供网络的局部和全局解释	NA	旨在提高深度神经网络的可解释性，使其在需要理性决策的领域中得到更广泛的应用	深度神经网络及其高阶导数	机器学习	NA	高阶导数计算	神经网络	NA	NA
3904	2024-11-09	A New Brain Network Construction Paradigm for Brain Disorder via Diffusion-Based Graph Contrastive Learning 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3442811 PMID:39137077	研究论文	提出了一种基于扩散的图对比学习方法DGCL，用于构建脑网络，以分析脑功能和疾病机制	设计了基于扩散的脑网络构建流程DGCL，通过脑区感知模块精确确定脑区位置，并利用图对比学习优化脑连接，增强同一组内脑网络的一致性	NA	开发一种新的脑网络构建范式，以克服现有工具的局限性，提高脑网络构建的效率和一致性	脑网络的构建和优化，以及其在疾病发展阶段预测中的应用	机器学习	NA	图对比学习	NA	脑网络数据	在ADNI和ABIDE两个数据集上进行了验证
3905	2024-11-09	Deep Non-Rigid Structure-From-Motion: A Sequence-to-Sequence Translation Perspective 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3443922 PMID:39150802	研究论文	本文提出了一种从序列到序列的视角解决深度稀疏非刚性结构从运动问题的方法	提出了一种新的序列到序列翻译方法，通过形状-运动预测器和上下文层来重建3D关键点序列，并引入了自表达性正则化和时间编码来增强非刚性序列的约束	NA	解决非刚性结构从运动问题中的3D重建	非刚性物体的3D形状和相机姿态	计算机视觉	NA	多头部注意力机制（MHA）	深度学习框架	关键点序列	在Human3.6M、CMU Mocap和InterHand等多个数据集上进行了实验
3906	2024-11-09	A Survey on Continual Semantic Segmentation: Theory, Challenge, Method and Application 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3446949 PMID:39167503	综述	本文综述了持续语义分割（CSS）的理论、挑战、方法和应用	本文构建了一个全面的CSS综述，涵盖问题定义、主要挑战、通用数据集、新理论和多样化应用	NA	旨在推动终身学习领域的发展，并为相关领域提供有价值的视角	持续语义分割（CSS）及其在计算机视觉中的应用	计算机视觉	NA	NA	NA	NA	NA
3907	2024-11-09	Gaseous Object Detection 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3449994 PMID:39186417	研究论文	本文探讨了气体对象检测（GOD）任务，并构建了一个包含600个视频的GOD-Video数据集，提出了一种基于物理模型的Voxel Shift Field（VSF）方法来处理气体对象的检测问题	首次提出气体对象检测任务，并设计了基于物理模型的Voxel Shift Field方法来处理气体对象的检测问题	本文仅提出了一个初步的解决方案，尚未解决气体对象检测中的所有挑战	探索将对象检测技术从固体物质扩展到气体物质的可能性	气体对象的检测	计算机视觉	NA	深度学习	Faster RCNN	视频	600个视频，共141,017帧
3908	2024-11-09	Deep Interactive Segmentation of Medical Images: A Systematic Review and Taxonomy 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3452629 PMID:39213271	综述	本文对医学图像交互分割领域的深度学习方法进行了系统性综述和分类	提出了一个全面的分类法，并对现有方法进行了系统性回顾和深入分析	缺乏不同方法之间的比较，需要通过标准化的基线和基准来解决	提高医学图像分析中昂贵标注的效率	医学图像的交互分割	计算机视觉	NA	深度学习	NA	图像	NA
3909	2024-11-08	Vision-Centric BEV Perception: A Survey 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3449912 PMID:39250358	综述	本文综述了以视觉为中心的鸟瞰图（BEV）感知技术的最新发展及其扩展	本文首次全面综述了这一新兴研究领域，并提供了系统的回顾和总结	NA	促进未来研究	以视觉为中心的鸟瞰图感知技术及其扩展	计算机视觉	NA	深度学习	NA	图像	NA
3910	2024-11-09	Deep Single Image Defocus Deblurring via Gaussian Kernel Mixture Learning 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3457856 PMID:39255177	研究论文	提出了一种端到端的深度学习方法，用于从单张失焦图像中去除失焦模糊	采用像素级的混合高斯核模型来精确且紧凑地参数化空间变化的失焦点扩散函数，并提出了分组混合高斯核模型以提高建模精度	NA	解决数字摄影中常见的失焦模糊问题	失焦图像的去模糊处理	计算机视觉	NA	深度学习	深度神经网络	图像	五个基准数据集
3911	2024-11-09	A deep learning approach for gastroscopic manifestation recognition based on Kyoto Gastritis Score 2024-Dec, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2024.2418963 PMID:39498518	研究论文	本研究旨在验证基于京都胃炎评分的人工智能方法在识别胃镜表现中的适用性，以提高早期胃癌检测和降低胃癌死亡率	提出了一种由五个GAM-EfficientNet模型组成的深度学习方法，用于多标签识别胃镜表现，并将其与不同经验水平的内镜医师进行比较	需要前瞻性验证以评估其在临床应用中的适用性	验证人工智能方法在识别胃镜表现中的适用性，以提高早期胃癌检测和降低胃癌死亡率	29013张胃镜图像，根据京都胃炎评分分为五类	计算机视觉	胃癌	深度学习	GAM-EfficientNet	图像	29013张胃镜图像
3912	2024-11-09	Appearance-Based Gaze Estimation With Deep Learning: A Review and Benchmark 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3393571 PMID:38662567	综述	本文系统回顾了基于深度学习的外观式注视估计方法，并建立了一个全面的基准	本文总结了数据预处理和后处理方法，并建立了一个全面的基准，为未来的注视估计研究提供了指导	由于注视估计研究的独特性，如2D注视位置与3D注视向量之间的不公平比较以及不同的预处理和后处理方法，缺乏开发基于深度学习的注视估计算法的明确指南	系统回顾基于深度学习的外观式注视估计方法，并建立一个全面的基准	注视估计算法及其性能比较	计算机视觉	NA	深度学习	NA	图像	NA
3913	2024-11-09	Latency-Aware Unified Dynamic Networks for Efficient Image Recognition 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3393530 PMID:38662565	研究论文	本文介绍了一种名为LAUDNet的延迟感知统一动态网络框架，用于提高图像识别的效率	LAUDNet整合了三种基本动态范式（空间自适应计算、层跳过和通道跳过），并引入延迟预测器来优化调度策略	NA	解决动态网络在实际应用中效率低于理论计算的问题	动态网络的计算单元激活和计算资源分配	计算机视觉	NA	NA	动态网络	图像	涉及多个视觉任务（图像分类、目标检测和实例分割）
3914	2024-11-09	Learning to Holistically Detect Bridges From Large-Size VHR Remote Sensing Imagery 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3393024 PMID:38683714	研究论文	本文提出了一种在大尺寸高分辨率遥感图像中整体检测桥梁的方法，并构建了一个包含6000张图像的大规模数据集GLH-Bridge	提出了一个新的大规模数据集GLH-Bridge，并设计了一种高效的网络HBD-Net，采用分离检测器特征融合架构和形状敏感样本重加权策略	缺乏大尺寸高分辨率遥感图像的数据集限制了深度学习算法在桥梁检测中的性能	解决大尺寸高分辨率遥感图像中桥梁检测的挑战	桥梁检测	计算机视觉	NA	深度学习	HBD-Net	图像	6000张高分辨率遥感图像，包含59737座桥梁
3915	2024-11-09	Searching to Exploit Memorization Effect in Deep Learning With Noisy Labels 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3394552 PMID:38683712	研究论文	本文提出了一种通过双层优化控制样本选择过程的方法，以利用深度学习中的记忆效应来处理带有噪声标签的数据	利用双层优化和半监督学习算法来控制样本选择过程，并通过牛顿法和立方正则化方法提高优化效率	NA	研究如何有效利用深度学习中的记忆效应来处理带有噪声标签的数据	带有噪声标签的数据	机器学习	NA	双层优化	NA	数据集	NA
3916	2024-11-09	Zero-Shot Neural Architecture Search: Challenges, Solutions, and Opportunities 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3395423 PMID:38687659	review	本文综述并比较了最先进的零样本神经架构搜索方法，重点在于其硬件感知能力	提出了无需训练的神经架构搜索方法，通过设计代理来预测网络的准确性	NA	综述和比较当前最先进的零样本神经架构搜索方法，并探讨其硬件感知能力	零样本神经架构搜索方法及其代理	machine learning	NA	NA	NA	NA	NA
3917	2024-11-09	Sub-sampling graph neural networks for genomic prediction of quantitative phenotypes 2024-Nov-06, G3 (Bethesda, Md.) DOI:10.1093/g3journal/jkae216 PMID:39250757	研究论文	本文提出了一种基于图神经网络的子采样架构，用于基因组数量性状的预测	提出了一个全局卷积神经网络（GCN）和一个局部子采样架构（GCN-RS），专门设计用于基于基因组关系信息的回归分析	NA	开发一种新的方法来提高基因组数量性状预测的准确性	基因组数量性状的预测	机器学习	NA	图卷积神经网络（GCN）	卷积神经网络（CNN）	基因组数据	模拟数据集和来自小麦、小鼠和猪的三个真实数据集
3918	2024-11-09	FinSafeNet: securing digital transactions using optimized deep learning and multi-kernel PCA(MKPCA) with Nyström approximation 2024-Nov-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76214-2 PMID:39500935	研究论文	研究提出了一种名为FinSafeNet的新型深度学习模型，用于保护数字银行渠道上的现金交易安全	引入了双向长短期记忆网络（Bi-LSTM）、卷积神经网络（CNN）和双注意力机制，结合多核主成分分析（MKPCA）和Nyström近似，显著提高了交易数据的安全性分析能力	NA	提升数字交易的安全性	数字银行渠道上的现金交易	机器学习	NA	多核主成分分析（MKPCA）、Nyström近似	双向长短期记忆网络（Bi-LSTM）、卷积神经网络（CNN）	交易数据	使用了Paysim数据库进行测试
3919	2024-11-09	Classification of salivary gland biopsies in Sjögren's syndrome by a convolutional neural network using an auto-machine learning platform 2024-Nov-06, BMC rheumatology IF:2.1Q3 DOI:10.1186/s41927-024-00417-3 PMID:39501369	研究论文	本文利用自动机器学习平台和卷积神经网络对干燥综合征中的唾液腺活检进行分类	本文首次使用自动机器学习平台进行唾液腺活检的自动分割和焦点评分量化，以提高诊断精度和速度	模型在质量较差的组织学切片上分类准确性较低，需要多中心研究进一步验证	利用自动机器学习平台提高干燥综合征诊断的精度和效率	干燥综合征患者的唾液腺活检	数字病理学	自身免疫性疾病	卷积神经网络	ResNet-152	图像	86名干燥综合征患者，共172张切片
3920	2024-11-09	Hierarchical graph representation learning with multi-granularity features for anti-cancer drug response prediction 2024-Nov-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3492806 PMID:39504283	研究论文	提出了一种基于多粒度特征的分层图表示学习算法，用于预测抗癌药物反应	引入了一种新的分层图表示学习算法，结合了细胞系和药物的多粒度特征，构建了异构图，并通过图卷积网络学习最终的细胞系和药物表示	NA	提高抗癌药物反应预测的准确性，指导治疗决策，减轻患者痛苦，改善癌症预后	细胞系和药物的相互作用，以及它们在异构图中的多层次邻居特征	机器学习	癌症	图卷积网络	图卷积网络	基因表达数据和分子指纹数据	使用了Genomics of Drug Sensitivity in Cancer (GDSC) 和 Cancer Cell Line Encyclopedia (CCLE) 数据库中的数据