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
22921	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
22922	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
22923	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
22924	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
22925	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
22926	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
22927	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
22928	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
22929	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
22930	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
22931	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
22932	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
22933	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
22934	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
22935	2024-08-05	Deep Magnetic Resonance Image Reconstruction: Inverse Problems Meet Neural Networks 2020-Jan, IEEE signal processing magazine IF:9.4Q1 DOI:10.1109/MSP.2019.2950557 PMID:33746470	研究论文	本文概述了基于深度学习的MRI图像重建方法	探讨了基于深度学习的图像重建方法在快速MRI中的应用潜力	未具体涉及不同算法的比较和实际应用案例	旨在提高快速MRI图像重建的效率	讨论两种类型的基于深度学习的重建方法	计算机视觉	NA	深度学习	NA	图像	NA
22936	2024-08-05	Internal-transfer Weighting of Multi-task Learning for Lung Cancer Detection 2020, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2548755 PMID:34040274	研究论文	本文提出了一种内部转移加权的多任务学习方法用于肺癌检测	介绍了一种新的学习策略Periodic Focusing Learning Policy（PFLP）和内部转移加权策略（ITW），以优化多任务网络的训练	对于无法收敛的多任务基线网络，需要进一步研究改进方法	提高肺癌预测的准确性	3386名患者的CT扫描数据，涉及多种呼吸系统疾病的辅助任务	数字病理学	肺癌	深度学习	3D注意力网络	图像	3386个CT扫描（每名患者一个扫描）
22937	2024-08-05	Skull-Stripping of Glioblastoma MRI Scans Using 3D Deep Learning 2019-Oct, Brainlesion : glioma, multiple sclerosis, stroke and traumatic brain injuries. BrainLes (Workshop) DOI:10.1007/978-3-030-46640-4_6 PMID:32577629	研究论文	本文评估了使用3D深度学习架构进行胶质瘤MRI扫描的头骨去除性能	提出了一种新的方法，专注于多参数MRI扫描中的头骨去除，与现有方法相比能够更好地处理脑肿瘤图像	只评估了公共可用的实现，而未考虑其他潜在的3D深度学习架构	研究旨在优化在胶质瘤MRI图像上进行头骨去除的性能	使用1796个手动检查过的胶质瘤mpMRI扫描作为研究对象	计算机视觉	脑肿瘤	3D深度学习	DeepMedic, 3D U-Net, FCN	MRI图像	1796个mpMRI脑肿瘤扫描
22938	2024-08-05	DDL: Deep Dictionary Learning for Predictive Phenotyping 2019-Aug, IJCAI : proceedings of the conference DOI:10.24963/ijcai.2019/812 PMID:33767572	研究论文	本文提出了一种深度字典学习框架（DDL），旨在通过使用无标签数据来改善预测表型的性能。	本研究创新性地使用无标签数据作为信息的补充来源，以生成更好、更简明的数据表示，从而克服标签不足的问题。	本研究可能受到无标签数据质量和多样性的影响，这可能限制了结果的广泛适用性。	研究的目的是提高基于电子健康记录（EHR）数据的预测表型准确性。	研究对象包括多个EHR数据集中的患者表型。	机器学习	NA	深度学习	深度字典学习	电子健康记录（EHR）数据	多个EHR数据集
22939	2024-08-05	BIRNet: Brain image registration using dual-supervised fully convolutional networks 2019-05, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2019.03.006 PMID:30939419	研究论文	本文提出了一种通过预测变形从图像外观进行图像配准的深度学习方法	设计了一种全卷积网络，采用双重指导来避免过度依赖训练变形场的监督	获取训练的真实变形场可能具有挑战性	研究如何通过深度学习实现脑部图像的配准	脑部图像	计算机视觉	NA	深度学习	全卷积网络	图像	多种数据集的实验
22940	2024-08-07	AFAR: A Deep Learning Based Tool for Automated Facial Affect Recognition 2019-May, Proceedings of the ... International Conference on Automatic Face and Gesture Recognition. IEEE International Conference on Automatic Face & Gesture Recognition DOI:10.1109/FG.2019.8756623 PMID:31762712	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA