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
22661	2024-08-05	Semi-automated three-dimensional segmentation for cardiac CT images using deep learning and randomly distributed points 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611594 PMID:36793655	研究论文	本文提出了一种半自动化的深度学习方法用于心脏CT图像的分割。	本研究通过模拟用户交互并使用点距离图，结合手动分割的高精度与全自动分割的高效率，提供了一种新的心脏分割方法。	目前的半自动化方法仍未达到专家分割的精确度，需要更进一步的优化。	旨在提高心脏CT图像分割的准确性和效率。	研究对象为心脏CT图像，特别是其四个腔室。	计算机视觉	心血管疾病	深度学习	三维全卷积神经网络（FCNN）	图像	不适用
22662	2024-08-05	CascadeNet for hysterectomy prediction in pregnant women due to placenta accreta spectrum 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611580 PMID:36798853	研究论文	本文开发了一种新的卷积网络架构，用于预测由胎盘植入症引起的孕妇紧急子宫切除术	该研究首次结合MRI体积、放射组学特征和自定义特征图进行胎盘植入症的预测	研究尚未考虑所有潜在的临床变量，可能影响预测的准确性	旨在早期预测胎盘植入症，减少并发症并帮助管理决策	研究对象为241名孕妇，其中157名用于训练，24名用于验证，60名用于测试	计算机视觉	胎盘植入症	深度卷积网络	CNN	MRI体积和放射组学特征	241名孕妇
22663	2024-08-05	Automatic detection of head and neck squamous cell carcinoma on pathologic slides using polarized hyperspectral imaging and deep learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2614624 PMID:36798940	研究论文	本研究结合偏振高光谱成像与深度学习，实现对头颈部鳞状细胞癌的自动检测	首次采用偏振高光谱成像和深度学习方法，对头颈部鳞状细胞癌进行自动检测	样本数量较小，仅涉及17名患者，且基于其中16名患者进行训练	研究偏振高光谱成像在病理切片中自动检测头颈部鳞状细胞癌的应用	17名头颈部鳞状细胞癌患者所提供的组织切片	数字病理学	头颈癌	偏振高光谱成像 (PHSI)	卷积神经网络 (CNN)	图像	17名患者的组织切片数据
22664	2024-08-05	Thyroid Carcinoma Detection on Whole Histologic Slides Using Hyperspectral Imaging and Deep Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2612963 PMID:36798939	研究论文	本研究利用高光谱成像和深度学习对甲状腺癌进行检测	该研究展示了高光谱图像在整体组织切片癌症分类中的提升性能	研究中只使用了33个固定组织样本，样本量较小	探讨高光谱成像和深度学习在甲状腺癌检测中的应用	使用来自头颈患者的甲状腺滤泡癌的组织样本进行研究	数字病理学	甲状腺癌	高光谱成像	深度学习分类器	图像	33个头颈患者的固定组织样本
22665	2024-08-05	Deep Learning-Based Abdominal Muscle Segmentation on CT Images of Surgical Patient Populations 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611773 PMID:36845411	研究论文	本研究提出了一种基于深度学习的算法，用于对手术患者的CT图像进行腹部肌肉分割。	结合全卷积神经网络(CNN)与高水平的预处理方法在分割质量上取得了显著提高。	该研究依赖于传统计算机视觉技术而未使用人工智能进行初步处理，可能限制了方法的适用范围。	旨在准确跟踪手术患者的腹部肌肉质量变化。	研究对象为手术患者的CT图像。	计算机视觉	NA	计算机视觉	CNN	图像	NA
22666	2024-08-05	Deep Learning-based Deformable Registration of Dynamic Contrast-Enhanced MR Images of the Kidney 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611768 PMID:36793654	研究论文	该文章提出了一种基于深度学习的灵活注册方法，用于动态对比增强的肾脏MRI图像。	提出了一种两步法的深度学习方法，包括基于CNN的仿射注册网络和用于可变形注册的U-Net。	NA	研究旨在改善因呼吸运动造成的肾脏MRI图像的运动效应。	动态对比增强的肾脏MRI数据。	计算机视觉	NA	深度学习	CNN和U-Net	图像	NA
22667	2024-08-05	Accelerating 2D Abdominal Organ Segmentation with Active Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611595 PMID:36303576	研究论文	本研究设计了一种基于梯度的主动学习注释框架，以加速二维腹部器官分割	提出的主动学习框架通过动态选择'难例'来减少所需的标注切片数量，从而提高注释效率	本研究未讨论在不同患者人群中实施该方法的适用性	减少在二维腹部扫描中手动注释的工作量，同时提高分割准确性	研究对象为286名受试者，最终纳入586名受试者进行评估	计算机视觉	NA	主动学习	深度学习模型	图像	总共586名受试者
22668	2024-08-05	Identifying Unique Acoustic Signatures from Chemically-Crosslinked Microbubble Clusters Using Deep Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611572 PMID:36793945	研究论文	本研究通过深度学习算法展示了化学交联微泡簇的独特声学响应	介绍了一种新的脂质基超声对比剂，并展示了其在低强度脉冲超声下生成独特声学特征的能力	研究主要集中于声学表征，未探讨其他潜在影响因素	展示化学交联微泡簇的声学响应与单个对比剂的差异	研究化学交联微泡簇及单个脂质微泡的声学特性	数字病理学	NA	深度学习	人工神经网络（ANN）	1D RF 超声数据	使用了来自宽带水听器和Verasonics临床换能器的有效数据采集
22669	2024-08-05	Automatic Segmentation of Uterine Cavity and Placenta on MR Images Using Deep Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2613286 PMID:36798450	研究论文	本研究使用深度学习技术自动分割MRI图像中的子宫腔和胎盘	提出了一种使用全卷积神经网络同时分割子宫腔和胎盘的新方法	样本量有限，可能影响算法的普适性	研究基于MRI的子宫腔和胎盘的自动分割方法	181名患者的MRI图像	计算机视觉	NA	深度学习	全卷积神经网络	MRI图像	181个患者的MRI图像
22670	2024-08-05	DeepAtrophy: Teaching a neural network to detect progressive changes in longitudinal MRI of the hippocampal region in Alzheimer's disease 2021-11, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2021.118514 PMID:34450261	研究论文	本研究提出了一种名为DeepAtrophy的深度学习网络，用于检测阿尔茨海默病中海马区域的进展性变化	通过训练深度学习网络来推断纵向MRI扫描对的时间信息，提供了一种新的量化海马区域疾病进展的方法	该研究使用的样本未包括在训练中的受试者可能影响结果的广泛适用性	探讨如何通过深度学习推断海马区域纵向MRI的时间信息，以量化阿尔茨海默病的进展	研究对象为参与阿尔茨海默病神经影像倡议（ADNI）研究的受试者的纵向MRI扫描	计算机视觉	阿尔茨海默病	深度学习	深度学习网络	MRI图像	NA
22671	2024-08-05	MIDeepSeg: Minimally interactive segmentation of unseen objects from medical images using deep learning 2021-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102102 PMID:34118654	研究论文	提出了一种新颖的深度学习基础的交互式分割方法，用于在医学图像中对未见物体进行分割	这种方法只需要用户点击输入，具有高效性，并且能够很好地泛化到一系列不可见物体	在复杂情况下，传统交互式分割方法仍然需要大量用户互动	研究如何通过深度学习改进医学图像的交互式分割	医学图像中的器官或病变	计算机视觉	NA	深度学习	CNN	医学图像	2D和3D医学图像任务中涉及的未见物体的广泛范围
22672	2024-08-05	Going Beyond Saliency Maps: Training Deep Models to Interpret Deep Models 2021-Jun, Information processing in medical imaging : proceedings of the ... conference DOI:10.1007/978-3-030-78191-0_6 PMID:34548772	研究论文	本研究提出了一种通过训练模拟网络以解释深度学习模型在神经成像研究中的决策过程的方法	提出了结合图像到图像转换方案的模拟网络，能够更好地可视化与脑部疾病相关的具体形态变化	研究主要基于合成数据集和两种神经成像数据集，可能限制了结果的泛化能力	探索深度学习模型在神经成像研究中对脑部疾病的解释能力	面向阿尔茨海默病和酒精依赖的分类器	计算机视觉	阿尔茨海默病	深度学习	模拟网络	MRI图像	合成数据集和两个神经成像数据集的样本
22673	2024-08-05	Deep learning-augmented radiotherapy visualization with a cylindrical radioluminescence system 2021-02-09, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abd673 PMID:33361563	研究论文	这项研究展示了一种基于相机的低成本放射光致发光成像系统，用于外部束放射治疗中的高质量束可视化	提出并训练了一个深度学习模型，以减少由光子散射引起的镜面眩光和边缘模糊	研究中可能未考虑某些特殊条款或复杂的临床场景的验证	提升放射治疗中辐射交付的准确性	使用不同设计的束场进行训练和验证	医学影像学	NA	放射光致发光成像	深度学习模型	图像	使用五个常规束场和三个临床IMRT案例进行验证
22674	2024-08-05	Propensity score synthetic augmentation matching using generative adversarial networks (PSSAM-GAN) 2021, Computer methods and programs in biomedicine update DOI:10.1016/j.cmpbup.2021.100020 PMID:34386786	研究论文	本文提出了一种新的深度学习方法PSSAM-GAN，旨在通过生成合成匹配来保持样本大小。	PSSAM-GAN提供了一种无需IPW的方法，通过生成合成匹配来平衡数据集，从而克服传统方法的局限性。	未提及具体的局限性	开发一个可用于治疗效果估计的深度学习方法。	本研究的对象包括半合成和真实世界的观察数据。	机器学习	NA	生成对抗网络（GAN）	深度学习模型	观察数据	使用半合成和真实世界数据集进行实验，具体样本量未说明
22675	2024-08-05	Deep Metric Learning for Cervical Image Classification 2021, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2021.3069346 PMID:34178558	研究论文	本文提出了一种基于深度度量学习的宫颈癌前病变检测方法	引入了一种不需要标记宫颈边界的新方法，利用深度度量学习处理数据稀缺和类别不平衡问题	没有提到使用数据增强技术的局限性	旨在改善对宫颈癌前病变的检测效果	使用宫颈图像来进行癌前病变的自动视觉评估	计算机视觉	宫颈癌	深度学习	深度卷积神经网络	图像	NA
22676	2024-08-05	Accelerated training of bootstrap aggregation-based deep information extraction systems from cancer pathology reports 2020-10, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2020.103564 PMID:32919043	研究论文	本研究探讨了通过数据划分和模型集成加速癌症病理报告的深度信息提取系统的训练	提出将大问题划分为多个子问题，并通过模型集成提高任务性能和加速训练	数据划分依赖于主要癌症部位，因此准确性受分区决定的影响，需要进一步调查和改进	提高癌症病理报告中的信息提取性能和训练速度	电子癌症病理报告中的自由文本数据	机器学习	癌症	深度学习，模型集成	多任务卷积神经网络 (MT-CNN)，多任务层次卷积注意力网络 (MT-HCAN)	文本	训练案例重新采样2000次，生成了多达40000个模型
22677	2024-08-05	Deep Parametric Mixtures for Modeling the Functional Connectome 2020-Oct, PRedictive Intelligence in MEdicine. PRIME (Workshop) DOI:10.1007/978-3-030-59354-4_13 PMID:33163995	研究论文	本文介绍了一种深度学习模型，用于基于因子值预测功能连接组，以更好地理解各种因素对大脑功能的影响	该研究提出的模型能够克服传统方法在处理连续因子时所带来的不一致性问题，通过定义在相关矩阵上的单纯形，确保生成合理的连接组	该研究的局限性在于其模型的应用仅限于休息态fMRI数据，未探讨其他类型的数据或其他因子的影响	研究旨在通过建模功能连接组，深入理解不同因素对大脑功能的影响	研究对象为281名参与者的休息态fMRI扫描数据，以研究性别、酒精和HIV对大脑功能的影响	计算机视觉	NA	深度学习	NA	fMRI扫描	281名参与者
22678	2024-08-05	Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes 2020-Oct, Shape in Medical Imaging : International Workshop, ShapeMI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4, 2020, Proceedings DOI:10.1007/978-3-030-61056-2_8 PMID:33283214	研究论文	该论文提出了一种基于网格的技术，以帮助分类阿尔茨海默病痴呆（ADD）	创新点在于提出了一种残差学习框架的图卷积网络，显著减少了可学习参数，并提供了网络的可视化解释	该研究未提及样本量限制或数据来源的多样性问题	研究旨在通过分析大脑形状，改善阿尔茨海默病痴呆的分类	研究对象为大脑皮层和皮层下结构的网格表示	计算机视觉	阿尔茨海默病	图卷积网络	残差学习框架	图形数据	在25次试验的蒙特卡洛交叉验证中确认模型性能
22679	2024-08-05	6-MONTH INFANT BRAIN MRI SEGMENTATION GUIDED BY 24-MONTH DATA USING CYCLE-CONSISTENT ADVERSARIAL NETWORKS 2020-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi45749.2020.9098515 PMID:34422223	研究论文	本文提出了一种利用24个月龄数据引导6个月龄婴儿脑MRI分割的方法	引入3D-cycleGAN-Seg架构，以在不同年龄段脑图像之间转移特征，用于提高6个月龄图像的分割精度	数据集主要依赖于24个月龄的高对比度图像，如何生成高质量的合成图像仍有待进一步验证	探讨如何通过高对比度的图像指导低对比度婴儿脑MRI的分割	6个月龄和24个月龄的婴儿脑MRI图像	计算机视觉	NA	CycleGAN	3D-cycleGAN-Seg	图像	使用的样本数量NA
22680	2024-08-05	Automatic labeling of respiratory phases and detection of abnormal respiratory signals in free-breathing thoracic dynamic MR image acquisitions based on deep learning 2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2549983 PMID:33060886	研究论文	本文提出了基于深度学习的框架，自动标记呼吸阶段并检测异常呼吸信号。	创新点在于将卷积神经网络（CNN）和长短期记忆网络（LSTM）结合用于处理3D动态磁共振成像的呼吸相位识别和异常信号检测。	研究主要集中在动态磁共振成像上，方法的普适性和适应性仍需进一步验证。	旨在改善4D胸部图像构建过程中的呼吸相位识别和异常信号检测。	研究对象为接受动态磁共振成像的患者，主要分析其呼吸图像序列。	计算机视觉	胸部不足症候群	动态磁共振成像（dMRI）	卷积神经网络（CNN）和长短期记忆网络（LSTM）	图像	每位患者约3000个切片