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
1201	2024-11-13	Post-deployment performance of a deep learning algorithm for normal and abnormal chest X-ray classification: A study at visa screening centers in the United Arab Emirates 2024-Dec, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2024.100606 PMID:39507100	研究论文	研究了在阿联酋签证筛查中心部署的深度学习算法在正常和异常胸片分类中的表现	使用了大量数据进行研究，高负预测值和与人类读者的满意一致性表明AI可以可靠地识别正常胸片	正预测值较低，整体与放射科医生的同意率仅为72.90%	评估深度学习算法在胸片分类中的实际应用效果	胸片分类算法在签证筛查中心的部署表现	计算机视觉	NA	深度学习	深度学习算法	图像	1,309,443张胸片，来自1,309,431名患者
1202	2024-11-10	Novel Uncertainty Quantification Through Perturbation-Assisted Sample Synthesis 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3393364 PMID:38656858	研究论文	本文介绍了一种新的扰动辅助推理（PAI）框架，利用扰动辅助样本合成（PASS）方法生成的合成数据进行不确定性量化	提出了扰动辅助样本合成（PASS）方法，通过生成模型创建合成数据，增强数据多样性和隐私保护，并提高了估计精度	未提及	推进复杂数据驱动任务中的不确定性量化	复杂数据场景中的不确定性量化，特别是非结构化数据	机器学习	NA	深度学习模型	生成模型	非结构化数据	未提及
1203	2024-11-09	Adversarial Training With Anti-Adversaries 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3432973 PMID:39046856	研究论文	本文探讨了对抗训练中不同扰动方向（对抗和反对抗）及其边界对深度神经网络鲁棒性、泛化性和公平性的影响	提出了一种结合对抗和反对抗扰动的新型训练方法，通过理论和实验验证了其在提高模型公平性和鲁棒性方面的有效性	未提及具体的局限性	研究对抗训练在不同扰动方向和边界下的理论和实际影响，提出改进方法以提高模型的公平性和鲁棒性	深度神经网络的鲁棒性、泛化性和公平性	机器学习	NA	对抗训练	深度神经网络	NA	未提及具体样本数量
1204	2024-11-09	DifFace: Blind Face Restoration With Diffused Error Contraction 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3432651 PMID:39042531	研究论文	提出了一种名为DifFace的新方法，用于盲人脸修复，通过扩散误差收缩来处理未见过的复杂退化问题	DifFace方法通过建立从低质量图像到高质量图像的后验分布，避免了复杂的损失设计，并能更优雅地处理未见过的复杂退化问题	NA	改进盲人脸修复技术，使其能够更好地处理未见过的复杂退化问题	盲人脸修复中的低质量图像到高质量图像的转换	计算机视觉	NA	扩散模型	扩散模型	图像	使用合成数据进行训练
1205	2024-11-09	Adan: Adaptive Nesterov Momentum Algorithm for Faster Optimizing Deep Models 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3423382 PMID:38963744	研究论文	提出了一种名为Adan的自适应Nesterov动量算法，旨在提高深度模型训练速度	重新定义了Nesterov加速方法，开发了一种新的Nesterov动量估计方法，避免了在外推点计算梯度的额外开销，并证明了Adan在非凸随机问题中找到ϵ-近似一阶平稳点的复杂度与最佳已知下界匹配	NA	提高深度学习模型训练效率	深度学习模型优化器	机器学习	NA	自适应梯度算法	Nesterov动量算法	NA	NA
1206	2024-11-09	Transformer-Based Visual Segmentation: A Survey 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3434373 PMID:39074008	综述	本文综述了基于Transformer的视觉分割技术，总结了近年来的进展	Transformer在视觉处理任务中显著超越了传统的卷积或循环方法，提供了更强大、统一和简单的解决方案	本文未提及具体的局限性	综述基于Transformer的视觉分割技术，总结进展并指出未来研究方向	视觉分割技术及其在自动驾驶、图像编辑、机器人感知和医学分析等领域的应用	计算机视觉	NA	Transformer	Transformer	图像、视频帧、点云	NA
1207	2024-11-09	Surface Reconstruction From Point Clouds: A Survey and a Benchmark 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3429209 PMID:39012756	综述	本文综述并评估了深度学习时代下从点云重建连续二维流形表面的现有方法	本文贡献了一个大规模的基准数据集，包含合成和真实扫描数据，并进行了全面的实证研究，特别关注现有方法对扫描缺陷的鲁棒性	本文指出多视角扫描点集的对齐问题、表面点缺失和点异常值等实际挑战仍未被现有方法解决	综述和评估现有从点云重建表面的方法，并提供一个基准数据集和实证研究	从点云重建连续二维流形表面的方法	计算机视觉	NA	深度学习	NA	点云	大规模基准数据集，包含合成和真实扫描数据
1208	2024-11-09	Dynamic 3D Point Cloud Sequences as 2D Videos 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3421359 PMID:38954587	研究论文	本文提出了一种新的通用表示方法，称为结构化点云视频（SPCV），通过将动态3D点云序列重新组织为具有空间平滑性和时间一致性的2D视频，以实现高效的3D点云序列处理和分析	提出了结构化点云视频（SPCV）表示方法，通过将3D点云序列重新组织为2D视频，利用现有的2D图像/视频技术进行处理，提高了处理效率和效果	NA	开发一种新的方法来有效地处理和分析动态3D点云序列	动态3D点云序列	计算机视觉	NA	自监督学习	NA	点云	NA
1209	2024-11-09	Large-Scale Object Detection in the Wild With Imbalanced Data Distribution, and Multi-Labels 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3421300 PMID:38949947	研究论文	本文研究了在大规模不平衡数据分布和多标签情况下进行目标检测的问题，并提出了解决方案	设计了并发softmax处理多标签问题，并提出软平衡采样方法和混合训练调度器来解决标签不平衡问题	NA	提高大规模目标检测任务中的模型性能	Open Images数据集中的目标检测任务	计算机视觉	NA	NA	NA	图像	涉及Open Images数据集中的大量样本
1210	2024-11-09	A Survey of Label-Efficient Deep Learning for 3D Point Clouds 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3416302 PMID:38889032	综述	本文对三维点云的标签高效深度学习进行了全面的综述	首次全面综述了三维点云的标签高效学习方法	未提及具体的研究局限性	探讨三维点云处理中标签高效学习的必要性、涵盖的子领域及其进展	三维点云数据及其在深度学习中的应用	计算机视觉	NA	深度神经网络	NA	点云	未提及具体样本数量
1211	2024-11-09	NDDepth: Normal-Distance Assisted Monocular Depth Estimation and Completion 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3411571 PMID:38857129	研究论文	本文提出了一种基于物理（几何）驱动的深度学习框架，用于单目深度估计和完成任务	通过估计表面法线和原点距离图作为中间输出，并引入平面感知一致性约束来提高深度估计的准确性	NA	提高单目深度估计和完成任务的性能	单目深度估计和完成任务	计算机视觉	NA	深度学习	CNN	图像	使用了NYU-Depth-v2、KITTI和SUN RGB-D数据集
1212	2024-11-09	CC4S: Encouraging Certainty and Consistency in Scribble-Supervised Semantic Segmentation 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3415387 PMID:38885110	研究论文	本文提出了一种名为CC4S的方法，通过设计网络结构、损失函数和训练过程，提高涂鸦监督语义分割中的确定性和一致性	CC4S通过嵌入随机游走模块和使用软熵损失函数来减少不确定性，并通过自监督训练和神经特征空间的一致性损失来增强一致性	NA	解决涂鸦监督语义分割中由于标注稀疏和多样性导致的预测不确定和不一致问题	涂鸦监督语义分割中的确定性和一致性	计算机视觉	NA	NA	NA	图像	NA
1213	2024-11-09	A Survey on Open-Vocabulary Detection and Segmentation: Past, Present, and Future 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3413013 PMID:38875096	综述	本文综述了开放词汇检测和分割的最新进展	提出了一个分类法来组织不同的任务和方法，并分析了各种方法的优缺点	未提及	回顾开放词汇检测和分割的发展历程，分析当前的研究现状，并展望未来的研究方向	开放词汇检测和分割的方法和任务	计算机视觉	NA	NA	NA	NA	NA
1214	2024-11-09	Neural Disparity Refinement 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3411292 PMID:38848234	研究论文	提出了一种结合传统手工算法和深度学习技术的框架，用于从立体图像中获取高质量、高分辨率的视差图	将视差细化过程视为连续特征采样策略，神经视差细化网络可以在任何输出分辨率下估计增强的视差图	在从合成图像到真实图像的零样本泛化方面表现最佳，但在其他配置下可能表现不佳	开发一种能够处理各种视差图生成方法的高质量视差图细化框架	立体图像的视差图	计算机视觉	NA	深度学习	神经网络	图像	NA
1215	2024-11-09	GT-CAM: Game Theory Based Class Activation Map for GCN 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3413026 PMID:38865236	研究论文	本文提出了一种基于博弈论的类激活图（GT-CAM）用于图卷积网络（GCN），以提高其在基于骨骼的行为识别中的可解释性	GT-CAM结合了Shapley值和梯度权重来计算节点重要性，揭示了节点间的合作动态，并提出了一种计算节点联盟Shapley值的方法以减少计算负担	NA	提高图卷积网络在基于骨骼的行为识别中的可解释性	图卷积网络中的节点和局部子图	机器学习	NA	博弈论	GCN	骨骼数据	NA
1216	2024-11-09	SSR-2D: Semantic 3D Scene Reconstruction From 2D Images 2024-Dec, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3410032 PMID:38837926	研究论文	本文提出了一种从2D图像进行语义3D场景重建的方法，无需使用任何3D标注	本文的创新点在于利用可微渲染技术，通过2D观测和未知3D空间之间的桥梁，使用RGB图像和2D语义作为监督，实现了从有限的RGB-D图像中联合解决几何完成、着色和语义映射的问题	NA	研究目的是探索一种无需3D标注的语义场景重建方法	研究对象是3D室内空间的语义建模	计算机视觉	NA	可微渲染	NA	图像	涉及两个大规模基准数据集MatterPort3D和ScanNet
1217	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
1218	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
1219	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
1220	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