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
1061	2024-11-22	Motion robust coronary MR angiography using zigzag centric ky-kz trajectory and high-resolution deep learning reconstruction 2024-Dec, Magma (New York, N.Y.) DOI:10.1007/s10334-024-01172-9 PMID:38916681	研究论文	本文介绍了一种新的MR冠状动脉造影技术，通过使用之字形扇形中心ky-kz k空间轨迹和高分辨率深度学习重建（HR-DLR）来提高图像质量和扫描效率	本文创新性地结合了之字形扇形中心ky-kz k空间轨迹和高分辨率深度学习重建技术，显著缩短了扫描时间并提高了图像质量	本文仅在12名健康受试者和2名患者中进行了验证，样本量较小，需要进一步在大规模临床试验中验证其有效性和适用性	开发一种高效且高质量的MR冠状动脉造影技术，以提高患者舒适度和临床效率	健康受试者和冠状动脉疾病患者	医学影像	心血管疾病	MR冠状动脉造影	深度学习	图像	12名健康受试者和2名患者
1062	2024-09-06	Correction to: Motion robust coronary MR angiography using zigzag centric ky-kz trajectory and high-resolution deep learning reconstruction 2024-Dec, Magma (New York, N.Y.) DOI:10.1007/s10334-024-01202-6 PMID:39231858	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1063	2024-11-22	Enhanced plasmonic scattering imaging via deep learning-based super-resolution reconstruction for exosome imaging 2024-Dec, Analytical and bioanalytical chemistry IF:3.8Q1 DOI:10.1007/s00216-024-05550-z PMID:39316091	研究论文	本文提出了一种基于深度学习的超分辨率重建方法，用于增强外泌体等离子体散射成像的分辨率	本文提出了一种新的盲超分辨率深度学习神经网络ESRGAN-SE，能够在不增加实验复杂性的情况下提高外泌体等离子体散射成像的分辨率	NA	提高外泌体等离子体散射成像的分辨率，以改进癌症诊断的准确性和效率	外泌体等离子体散射成像	计算机视觉	NA	深度学习	ESRGAN-SE	图像	NA
1064	2024-11-22	Exploring deep learning models for 4D-STEM-DPC data processing 2024-Dec, Ultramicroscopy IF:2.1Q2 DOI:10.1016/j.ultramic.2024.114058 PMID:39388848	研究论文	本文探讨了如何利用卷积神经网络（CNN）进行4D-STEM-DPC数据的自动化和一致性处理	提出了两种不同的方法：一种是直接跟踪电子束并进行回归分析，另一种是使用改进的U-net进行直接电子束分割作为预处理步骤	NA	研究如何利用深度学习模型改进4D-STEM-DPC数据的处理方法	4D-STEM-DPC数据	计算机视觉	NA	卷积神经网络（CNN）	卷积神经网络（CNN）	图像	实验获得的4D-STEM数据
1065	2024-11-21	External validation of a deep learning model for automatic segmentation of skeletal muscle and adipose tissue on abdominal CT images 2024-Dec-01, The British journal of radiology DOI:10.1093/bjr/tqae191 PMID:39286936	研究论文	本文开发并验证了一种深度学习神经网络，用于自动分割腹部CT图像中的骨骼肌和脂肪组织	成功训练并外部验证了一种深度学习神经网络，可用于大规模人群研究和临床实践中的体成分分析	NA	开发一种用于自动分割腹部CT图像中骨骼肌和脂肪组织的深度学习模型，并进行外部验证	腹部CT图像中的骨骼肌和脂肪组织	计算机视觉	NA	深度学习	深度学习神经网络	图像	训练集包含3187名接受腹部手术的患者，验证集包含2535名腹部癌症患者
1066	2024-11-21	Less is More: Selective reduction of CT data for self-supervised pre-training of deep learning models with contrastive learning improves downstream classification performance 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109242 PMID:39388839	研究论文	本文研究了通过对比学习进行自监督预训练的深度学习模型在医学图像分析中的应用，并探讨了减少数据冗余对下游分类任务性能的影响	提出了一种基于深度嵌入、信息论和哈希的不同数据减少策略，以减少医学预训练数据集中的冗余，从而提高对比学习的性能	NA	研究如何通过减少医学图像数据集的冗余来提高对比学习在下游分类任务中的性能	医学图像数据集的冗余减少策略及其对对比学习性能的影响	计算机视觉	NA	对比学习	深度学习模型	图像	涉及两个预训练数据集和多个下游分类任务，具体样本数量未详细说明
1067	2024-11-21	Higher effect sizes for the detection of accelerated brain volume loss and disability progression in multiple sclerosis using deep-learning 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109289 PMID:39423705	研究论文	本文介绍了一种基于深度学习的脑体积损失检测方法BrainLossNet，用于多发性硬化症（MS）患者中加速脑体积损失和残疾进展的检测	BrainLossNet相比传统方法Siena在检测加速脑体积损失和区分MS患者残疾进展方面具有更高的效果	NA	验证BrainLossNet在多发性硬化症患者中检测加速脑体积损失和区分残疾进展的有效性	多发性硬化症患者和健康对照组的脑体积损失	机器学习	多发性硬化症	深度学习	NA	图像	563名健康对照组，414名和156名MS患者，以及216名混合扫描器患者
1068	2024-11-21	A systematic review of generalization research in medical image classification 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109256 PMID:39427426	综述	本文系统回顾了医学图像分类中领域泛化研究的现状	提出了基于偏移类型的分类法，并讨论了未来发展的挑战	主要关注了现有的领域适应技术，未全面涵盖所有偏移类型	探索现有领域泛化方法，提出分类法并讨论未来挑战	医学图像分类中的领域泛化问题	计算机视觉	NA	深度学习	分类模型	图像	77篇文献
1069	2024-11-21	RADIANCE: Reliable and interpretable depression detection from speech using transformer 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109325 PMID:39489109	研究论文	提出了一种名为RADIANCE的可靠且可解释的抑郁症检测方法，使用Transformer模型从语音中提取可解释的抑郁症症状特征	引入了一种新的FilterBank VIsion Transformer (FBViT)网络，提供可解释的抑郁症症状特征；采用了一种新的损失函数处理数据集中的类别不平衡问题；提出了基于低级描述符的可靠性预测器，确保预测的可信度	NA	开发一种可靠且可解释的抑郁症检测方法，以提高诊断的准确性和透明度	抑郁症的自动检测	机器学习	精神疾病	Transformer	Transformer	语音	DAIC-WOZ、E-DAIC和CMDC数据集
1070	2024-11-20	Radiomics of pituitary adenoma using computer vision: a review 2024-Dec, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-024-03163-3 PMID:39012416	综述	本文综述了使用计算机视觉技术进行垂体腺瘤放射组学的研究现状	本文介绍了深度学习方法在放射组学中的应用前景	需要创建高质量且足够大的数据集来训练深度神经网络，深度放射组学的可解释性也是一个重大挑战	分析当前垂体腺瘤放射组学研究的现状	垂体腺瘤的放射组学特征	计算机视觉	垂体腺瘤	计算机视觉方法	深度学习	图像	34篇相关研究文献
1071	2024-11-20	ConKeD: multiview contrastive descriptor learning for keypoint-based retinal image registration 2024-Dec, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-024-03160-6 PMID:38969811	研究论文	提出了一种名为ConKeD的新型深度学习方法，用于视网膜图像配准的描述符学习	采用了一种新颖的多正多负对比学习策略，能够利用额外的训练样本信息，从而在有限训练数据的情况下学习高质量的描述符	未提及	开发和应用基于深度学习的视网膜图像配准方法	视网膜图像配准	计算机视觉	NA	深度学习	深度神经网络	图像	有限训练数据
1072	2024-11-20	Two-stage deep learning framework for occlusal crown depth image generation 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109220 PMID:39366141	研究论文	本文提出了一种两阶段深度学习框架，用于生成不同位置的咬合牙冠深度图像	该框架通过分割和修复两个阶段，实现了对牙冠形状和表面结构的高精度生成，相较于传统方法显著提高了生成图像的质量	NA	减少熟练牙科技师的工作量，通过计算机视觉模型生成逼真的咬合牙冠深度图像	咬合牙冠的深度图像生成	计算机视觉	NA	NA	GAN	图像	NA
1073	2024-11-20	Enhancing dental caries classification in CBCT images by using image processing and self-supervised learning 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109221 PMID:39378579	研究论文	本研究利用自监督学习任务改进锥束计算机断层扫描（CBCT）图像中的龋齿分类	本研究创新性地将图像处理技术与自监督学习任务结合，并探讨了无标签数据在模型性能提升中的必要性	本研究未详细讨论模型在实际临床应用中的表现和潜在的局限性	旨在通过自监督学习提高CBCT图像中龋齿分类的准确性和效率	研究对象为CBCT图像中的龋齿分类	计算机视觉	口腔疾病	自监督学习（SSL）	ResNet-18	图像	未明确提及具体样本数量
1074	2024-11-20	Segmentation of four-chamber view images in fetal ultrasound exams using a novel deep learning model ensemble method 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109188 PMID:39395344	研究论文	本文介绍了一种新的深度学习模型集成方法，用于在胎儿超声检查中分割四腔视图图像	本文提出了一种新的集成方法，通过结合多个深度学习模型的原始预测，获得最优的分割组件，从而提高分割效果	NA	开发一种新的方法来自动化分割胎儿心脏超声图像中的关键解剖结构	胎儿心脏超声图像中的关键解剖结构	计算机视觉	NA	深度学习	集成模型	图像	使用了一个大型私人数据集进行模型训练和评估
1075	2024-11-20	Multi-modal classification of breast cancer lesions in Digital Mammography and contrast enhanced spectral mammography images 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109266 PMID:39405734	研究论文	本文探讨了在数字乳腺摄影和对比增强光谱乳腺摄影图像中使用深度学习方法检测和分类乳腺癌病变的有效性	提出了JointNet架构，结合卷积模块、变换器模块和特征融合层，显著提高了图像分类和病变分类的准确性	未提及具体局限性	研究数字乳腺摄影和对比增强光谱乳腺摄影在乳腺癌病变检测中的效果，并提出改进的分类方法	乳腺癌病变在数字乳腺摄影和对比增强光谱乳腺摄影图像中的检测和分类	计算机视觉	乳腺癌	深度学习	卷积神经网络（CNN）和变换器（Transformer）	图像	未提及具体样本数量
1076	2024-11-20	An interpretable and generalizable deep learning model for iEEG-based seizure prediction using prototype learning and contrastive learning 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109257 PMID:39423703	研究论文	本文提出了一种基于原型学习和对比学习的可解释且可泛化的深度学习模型，用于基于iEEG的癫痫发作预测	本文将自解释原型学习网络扩展到一个新的领域适应框架，用于跨患者癫痫发作预测，并引入了对比语义对齐损失约束，增强了学习原型的鲁棒性	NA	建立一种可解释且可泛化的癫痫发作预测模型，以满足临床诊断的需求	基于iEEG的癫痫发作预测	机器学习	癫痫	深度学习	深度学习模型	iEEG数据	20名患者，共82次癫痫发作
1077	2024-11-20	Attention Induced Dual Convolutional-Capsule Network (AIDC-CN): A deep learning framework for motor imagery classification 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109260 PMID:39426071	研究论文	本文介绍了一种名为注意力诱导双卷积胶囊网络（AIDC-CN）的新型深度学习分类器，用于运动想象分类	引入了双卷积层处理脑连接性和频谱图特征，增加了自注意力模块（SAM）和交叉注意力模块（CAM），并使用了基于高斯误差线性单元（GELU）的动态路由算法	NA	开发一种新的深度学习分类器，以准确分类运动想象类别标签	基于脑电图（EEG）的运动想象信号	机器学习	NA	深度学习	卷积神经网络（CNN）和胶囊网络	脑电图信号	四个公开数据集
1078	2024-11-20	Target-specified reference-based deep learning network for joint image deblurring and resolution enhancement in surgical zoom lens camera calibration 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109309 PMID:39442443	研究论文	本文提出了一种针对手术放大镜头相机校准的深度学习网络，用于同时增强图像的模糊度和空间分辨率	本文提出了一种新的目标特定深度学习网络，能够同时增强图像的模糊度和空间分辨率，以提高手术放大镜头相机校准的准确性	NA	解决手术导航中由于高倍放大导致的图像模糊和分辨率不足问题，提高相机校准的准确性	手术放大镜头相机校准中的棋盘格图像	计算机视觉	NA	深度学习	卷积神经网络	图像	NA
1079	2024-11-20	Graph neural network-based subgraph analysis for predicting adverse drug events 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109282 PMID:39442442	研究论文	本文提出了一种基于图神经网络的子图分析方法，用于预测药物不良反应	利用图神经网络模型对患者诊断历史进行建模，实现了对药物不良反应的早期预测	NA	开发计算方法以在临床试验前识别未检测到的药物不良反应	药物不良反应的预测	机器学习	NA	图神经网络	图神经网络	图数据	NA
1080	2024-11-20	Imaging phenotype evaluation from digital breast tomosynthesis data: A preliminary study 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109285 PMID:39454527	研究论文	本研究提出了一种基于深度学习的数字乳腺断层合成（DBT）数据中乳腺组织模式特征化的方法	本研究首次将深度学习应用于DBT数据的乳腺组织模式分类，并结合常见的恶性-良性-正常分类，实现了更详细的图像评估	本研究中良性结构扭曲与良性肿块以及恶性结构扭曲之间的混淆是一个局限	开发一种能够详细评估数字乳腺断层合成图像的深度学习方法	数字乳腺断层合成（DBT）数据中的乳腺组织模式	计算机视觉	乳腺癌	深度学习	迁移学习	图像	5388个2D图像块，来自230个右侧中侧斜位、259个左侧中侧斜位、18个右侧头尾位和15个左侧头尾位的单侧乳腺DBT研究