深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
261	2025-12-14	Automatic IMRT planning via static field fluence prediction (AIP-SFFP): a deep learning algorithm for real-time prostate treatment planning 2020-09-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aba5eb PMID:32663813	研究论文	开发了一种基于深度学习的算法AIP-SFFP，用于实现实时前列腺IMRT计划的自动化	通过静态场注量图预测实现自动化IMRT计划，无需逆向计划，并采用自定义深度学习神经网络进行注量图预测	AI计划中全身D1cc和直肠D0.1cc略高于KBP和临床计划，且仅在前列腺IMRT中进行了演示	开发用于自动化前列腺IMRT计划的深度学习算法，以提高计划效率	前列腺IMRT计划，特别是同时整合推量计划	医学影像分析	前列腺癌	强度调制放射治疗（IMRT），知识型计划（KBP）	深度学习神经网络	2D投影图像	106名患者用于训练，14名患者用于独立测试	NA	自定义深度学习神经网络	PTV V95%，全身D1cc，直肠D0.1cc，膀胱D1cc，等剂量分布	NA
262	2025-12-14	Robustness study of noisy annotation in deep learning based medical image segmentation 2020-08-27, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab99e5 PMID:32503027	研究论文	本研究探讨了噪声标注对基于深度学习的医学图像分割（下颌骨CT图像分割）性能的影响	首次系统性地研究了噪声标注在医学图像分割任务中对深度学习模型性能的影响，并通过多数据集验证了模型对噪声标注的鲁棒性	研究仅针对下颌骨CT图像分割任务，结论在其他解剖结构或模态上的普适性有待验证；未提出具体的噪声标注利用或校正方法	评估噪声标注对深度学习医学图像分割模型性能的影响，并探索模型对标注噪声的鲁棒性	头颈癌患者的CT图像中的下颌骨分割	医学图像分割	头颈癌	CT成像	深度学习网络（具体架构未明确说明）	CT图像	202例头颈癌患者CT图像（来自临床数据库），并使用了另外两个公共数据集进行测试	NA	NA	分割性能（具体指标未明确说明，但进行了显著性差异分析）	NA
263	2025-12-14	Multifaceted radiomics for distant metastasis prediction in head & neck cancer 2020-08-07, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8956 PMID:32294632	研究论文	本文提出了一种名为多层面放射组学（M-radiomics）的统一模型，用于预测头颈癌的远处转移	提出了一种新颖的多层面放射组学（M-radiomics）模型，该模型通过堆叠稀疏自编码器融合多模态特征，引入多目标优化模型设计基于概率的目标函数，并采用证据推理规则融合策略集成多个分类器的输出	NA	准确预测头颈癌的远处转移，以通过早期强化治疗改善高风险患者的生存率	头颈癌患者	医学影像分析	头颈癌	放射组学	深度学习, 堆叠稀疏自编码器, 多目标优化模型	医学影像特征	NA	NA	堆叠稀疏自编码器	敏感性, 特异性	NA
264	2025-12-14	Artifact removal using a hybrid-domain convolutional neural network for limited-angle computed tomography imaging 2020-08-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab9066 PMID:32369793	研究论文	本文提出了一种混合域卷积神经网络（hdNet），用于减少有限角度计算机断层扫描中的条纹伪影	首次将不同域的深度学习算法优势结合，通过混合域网络同时处理正弦图和CT图像域，直接获取伪影抑制的CT图像	未明确说明网络在极端有限角度下的性能，且未与其他最先进的深度学习方法进行广泛比较	抑制有限角度计算机断层扫描中的条纹伪影，提高图像质量	有限角度计算机断层扫描图像	计算机视觉	NA	计算机断层扫描（CT）	CNN	图像	NA	NA	混合域卷积神经网络（hdNet）	NA	NA
265	2025-12-14	Motion correction of respiratory-gated PET images using deep learning based image registration framework 2020-07-30, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8688 PMID:32244230	研究论文	提出一种基于深度学习的无监督非刚性图像配准框架，用于呼吸门控PET图像的运动校正	使用深度学习框架进行无监督非刚性图像配准，结合可微分空间变换层和堆叠结构优化变形场，并集成到迭代图像重建算法中实现运动补偿	未明确说明临床数据样本量及多样性限制，也未讨论深度学习模型在不同呼吸模式或病理条件下的泛化能力	减少PET图像中因呼吸运动引起的伪影，提高图像质量	呼吸门控PET图像	医学影像处理	NA	呼吸门控PET成像	深度学习	图像	模拟数据和临床数据（未指定具体数量）	未指定	未指定具体架构，但包含可微分空间变换层和堆叠结构	归一化均方根误差（NRMS），病灶对比度，噪声水平	NA
266	2025-12-14	Label-driven magnetic resonance imaging (MRI)-transrectal ultrasound (TRUS) registration using weakly supervised learning for MRI-guided prostate radiotherapy 2020-06-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8cd6 PMID:32330922	研究论文	本文提出了一种基于弱监督学习的全自动深度学习框架，用于磁共振成像（MRI）与经直肠超声（TRUS）的配准，以辅助前列腺近距离放射治疗	提出了一种结合图像分割与配准的端到端弱监督学习方法，使用前列腺标签衍生的体积重叠和表面一致性作为优化目标函数，解决了缺乏体素级真实对应关系的问题	研究样本量较小（36例患者数据），且未明确说明训练集、验证集和测试集的划分细节	开发一种准确、自动化的MRI-TRUS图像配准方法，以指导前列腺放射治疗	前列腺的MRI和TRUS图像	数字病理学	前列腺癌	磁共振成像（MRI），经直肠超声（TRUS）	CNN, UNET	图像	36组患者数据	NA	全卷积神经网络（CNN），2D CNN，3D UNET	目标配准误差（TRE），Dice系数，平均表面距离（MSD），豪斯多夫距离（HD）	NA
267	2025-12-14	Investigating the challenges and generalizability of deep learning brain conductivity mapping 2020-06-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab9356 PMID:32408291	研究论文	本研究探讨了深度学习在脑电导率映射中的挑战与泛化能力，通过训练3D基于补丁的卷积神经网络从B1收发相位数据预测电导率图	首次系统评估深度学习电导率断层扫描在不同模拟和体内数据集（包括病理情况）上的性能，并探索使用传统EPT生成的标签进行训练以改善结果	当网络从模拟数据训练后应用于体内数据时，测量相关伪影会影响电导率图的质量，且泛化能力有限	研究深度学习在脑电导率映射中的应用，评估其在不同数据集上的挑战和泛化性	模拟数据集、健康志愿者和脑部病变患者的体内测量数据集	医学影像分析	脑部病变	电导率断层扫描	CNN	图像	三个数据集：一个模拟数据集和两个体内测量数据集（分别来自健康志愿者和患者）	NA	3D基于补丁的卷积神经网络	NA	NA
268	2025-12-14	Low-dose CT with deep learning regularization via proximal forward-backward splitting 2020-06-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab831a PMID:32209742	研究论文	本文开发了基于深度学习的正则化方法，用于低剂量CT图像重建，通过展开近端前向后向分裂框架，结合数据驱动的深度神经网络正则化	提出了PFBS-AIR方法，将解析重建和迭代重建融合在协同的数据保真度更新中，相比传统方法显著提升了重建质量	NA	开发低剂量CT图像重建方法，以降低患者辐射剂量并提升图像质量	低剂量x射线计算机断层扫描图像	计算机视觉	NA	低剂量CT扫描	深度神经网络	CT图像	NA	NA	NA	重建质量	NA
269	2025-12-14	Abdominal synthetic CT generation from MR Dixon images using a U-net trained with 'semi-synthetic' CT data 2020-06-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8cd2 PMID:32330923	研究论文	本研究提出了一种基于深度学习的U-net模型，从T1加权MR Dixon图像生成腹部合成CT，以支持基于MRI的肝内放射治疗计划	通过生成'半合成'CT图像解决CT和MRI图像因运动和器官填充状态不同导致的错配问题，该方法结合了CT的骨骼对比度和MRI的软组织及空气体积分类结果	研究仅涉及46名患者，样本量相对较小，且未详细讨论模型在更广泛患者群体或不同扫描条件下的泛化能力	开发一种从MR图像生成合成CT的方法，以支持MRI引导的肝内放射治疗计划	46名患者的MR和CT扫描数据，其中31名患者有临床放射治疗计划	数字病理学	肝内癌症	MRI, CT, 深度学习	U-net	图像	46名患者	NA	U-net	平均绝对误差（HU），剂量差异（Gy）	NA
270	2025-12-14	BIRADS features-oriented semi-supervised deep learning for breast ultrasound computer-aided diagnosis 2020-06-12, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7e7d PMID:32155605	研究论文	提出一种新颖的BIRADS-SSDL网络，将临床批准的乳腺病变特征（BIRADS特征）整合到面向任务的半监督深度学习（SSDL）中，用于小训练数据集下的超声图像准确诊断	通过距离变换和高斯滤波器将乳腺超声图像转换为BIRADS导向特征图（BFMs），并设计多任务学习框架，使无监督的堆叠卷积自编码器（SCAE）在病灶分类任务约束下提取特征，同时利用SCAE编码器特征实现病灶分类	模型性能受病灶分割精度影响，分类准确率随分割精度下降而降低；预训练策略虽加速收敛但未提升测试集分类准确率	开发一种基于小数据集的乳腺超声计算机辅助诊断方法	乳腺超声图像	计算机视觉	乳腺癌	超声成像	半监督深度学习, 自编码器	图像	两个乳腺超声图像数据集（具体样本数未提供）	NA	堆叠卷积自编码器（SCAE）, 卷积网络	分类准确率	NA
271	2025-12-14	Deep learning based methods for gamma ray interaction location estimation in monolithic scintillation crystal detectors 2020-06-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab857a PMID:32235062	研究论文	本文探索了基于深度学习的伽马射线相互作用位置估计方法，使用平均探测器响应函数信息，以替代传统的搜索方法	提出使用深度学习技术直接从平均探测器响应函数数据估计伽马射线相互作用位置，无需记录所有参考数据，显著降低了内存成本并加速了定位过程	未考虑深度信息，仅评估了x和y方向的定位误差	开发高效、低内存成本的伽马射线相互作用位置估计方法，用于单块闪烁晶体探测器	伽马射线在单块闪烁晶体探测器中的相互作用位置	机器学习	NA	平均探测器响应函数	CNN, 全连接网络	平均探测器响应函数数据	NA	NA	全连接网络, CNN	定位误差, 测试速度, 内存成本	NA
272	2025-12-14	Development of integrated prompt gamma imaging and positron emission tomography system for in vivo 3-D dose verification: a Monte Carlo study 2020-05-22, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab857c PMID:32235068	研究论文	本研究提出了一种结合即时伽马成像和正电子发射断层扫描的系统，用于体内三维剂量验证，并通过蒙特卡洛模拟进行了优化和评估	首次提出将PG成像和PET系统集成，结合两者优势进行体内质子剂量验证，并优化了探测器几何结构和背景减少技术	研究基于蒙特卡洛模拟和水体模，尚未进行实际临床验证；未来需开发基于深度学习的精确三维剂量评估技术	开发一种集成PG成像和PET的系统，用于体内质子治疗的三维剂量验证	水体模中由质子束产生的次级辐射（即时伽马和正电子发射）	医学成像	NA	蒙特卡洛模拟（Geant4.10.00）、即时伽马成像、正电子发射断层扫描	NA	模拟数据、二维和三维分布图像	使用150 MeV质子束的水体模模拟，以及80 MeV和100 MeV质子束的验证	NA	NA	探测器性能改进百分比（38%和167%）	NA
273	2025-12-14	Automated fibroglandular tissue segmentation in breast MRI using generative adversarial networks 2020-05-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7e7f PMID:32155611	研究论文	本研究开发了一种基于生成对抗网络的自动化深度学习方法，用于在乳腺MRI中分割纤维腺体组织区域，并评估其在背景实质强化定量分析中的应用效果	提出了一种改进的U-Net作为生成器来提取更多FGT区域特征，并设计了一个补丁深度卷积神经网络作为判别器来评估合成FGT区域的真实性，从而使分割结果更稳定和准确	研究仅使用了100名患者的3D乳腺MRI扫描数据，样本量相对有限，且未提及模型在其他数据集或临床环境中的泛化能力	开发自动化深度学习方法以准确分割乳腺MRI中的纤维腺体组织区域，并评估其对背景实质强化定量分析的影响	乳腺MRI扫描中的纤维腺体组织区域	计算机视觉	乳腺癌	磁共振成像	GAN, CNN	3D图像	100名患者（年龄22-78岁）的100个3D双侧乳腺MRI扫描	NA	U-Net, 深度卷积神经网络	Dice相似系数, Jaccard指数	NA
274	2025-12-14	Automatic segmentation and quantification of epicardial adipose tissue from coronary computed tomography angiography 2020-05-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8077 PMID:32182595	研究论文	本文提出了一种基于3D深度注意力U-Net的方法，用于从冠状动脉CT血管造影图像中自动分割心外膜脂肪组织	开发了一种新颖的深度学习方法来快速、可重复地自动分割心外膜脂肪组织，解决了手动分割耗时且复杂的问题	研究为回顾性研究，样本量相对有限（200例患者），且未明确说明模型在更广泛人群或不同疾病状态下的泛化能力	实现心外膜脂肪组织的自动分割与量化，以辅助冠状动脉疾病的计算机辅助诊断	心外膜脂肪组织	计算机视觉	心血管疾病	冠状动脉CT血管造影	CNN	3D医学图像	200例患者	NA	3D深度注意力U-Net	Dice相似系数, 敏感性, 特异性, Jaccard指数, Hausdorff距离, 平均表面距离, 残差均方距离, 质心距离, Pearson相关系数, Bland-Altman分析	NA
275	2025-12-14	4D-CT deformable image registration using multiscale unsupervised deep learning 2020-04-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab79c4 PMID:32097902	研究论文	本研究提出了一种用于4D-CT腹部图像配准的多尺度无监督深度学习网络，以提高配准的准确性和速度	提出了一种结合全局和局部网络的多尺度无监督深度学习网络，通过单次前向预测直接生成变形向量场，无需迭代计算，显著加速了配准过程	研究仅基于25名患者的4D-CT数据集进行训练和测试，样本量相对较小，可能限制了模型的泛化能力	开发一种准确且快速的4D-CT腹部图像可变形图像配准方法，用于放射治疗中的运动跟踪、目标定义和剂量累积等应用	4D-CT腹部图像	医学图像处理	NA	4D-CT成像	CNN, GAN	图像	25名患者的4D-CT数据集	NA	多尺度无监督深度学习网络（MS-DIRNet），包含全局网络（GlobalNet）和局部网络（LocalNet），生成器采用带注意力门的卷积神经网络	目标配准误差（TRE）	NA
276	2025-12-14	Deep learning-based radiomic features for improving neoadjuvant chemoradiation response prediction in locally advanced rectal cancer 2020-04-02, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7970 PMID:32092710	研究论文	本研究比较了基于手工设计和深度学习的放射组学特征在预测局部晚期直肠癌新辅助放化疗反应中的性能	首次将预训练的卷积神经网络提取的深度学习特征与传统手工特征在预测直肠癌治疗反应方面进行直接比较，并证明了深度学习特征的优越性	样本量较小（43例患者），且为单中心研究，可能影响结果的泛化能力	比较手工和深度学习放射组学特征在预测局部晚期直肠癌新辅助放化疗反应中的有效性	接受新辅助放化疗的局部晚期直肠癌患者	数字病理学	直肠癌	扩散加权磁共振成像	CNN	图像	43例患者（22例应答者，21例非应答者）	NA	预训练的卷积神经网络	AUC	NA
277	2025-12-14	Interactive 3D U-net for the segmentation of the pancreas in computed tomography scans 2020-03-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab6f99 PMID:31978921	研究论文	本文提出了一种用于胰腺CT扫描分割的交互式3D U-net方法，旨在提高分割精度和效率	开发了名为iUnet的交互式U-net架构，该架构在初始分割性能上优于现有iFCN方法，并能通过用户交互快速达到专家手动分割水平	研究仅在胰腺CT数据集上进行验证，未在其他器官或模态上测试其通用性	提高胰腺在CT影像中的分割精度和效率，以支持人工智能辅助诊断和介入治疗	胰腺在计算机断层扫描（CT）影像中的分割	数字病理学	胰腺癌	计算机断层扫描（CT）	CNN	3D医学影像	100例CT数据集	未明确说明	U-net, FCN	Dice相似系数	NA
278	2025-12-14	Learning-based estimation of dielectric properties and tissue density in head models for personalized radio-frequency dosimetry 2020-03-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7308 PMID:32023556	研究论文	本研究开发了一种基于深度学习的方法，用于从磁共振图像中快速准确地估计头部模型的介电特性和组织密度，以改进个性化射频剂量测定	提出了一种无需组织分割的单次估计方法，通过平滑介电特性分布改善了特定吸收率分布的平滑度	NA	开发快速准确的个性化射频剂量测定方法，以考虑个体间变异性	头部模型中的介电特性和组织密度	数字病理学	NA	磁共振成像	CNN	图像	NA	NA	卷积神经网络	特定吸收率分布一致性	NA
279	2025-12-14	An introduction to deep learning in medical physics: advantages, potential, and challenges 2020-03-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab6f51 PMID:31972556	综述	本文介绍了深度学习在医学物理学领域的优势、潜力和挑战，旨在为研究人员提供入门指导和深入讨论	系统性地概述了深度学习在医学物理学中的应用，并深入探讨了其面临的挑战及可能的解决方案	作为综述文章，未涉及具体实验或模型验证，主要基于现有文献和理论分析	为医学物理学研究人员提供深度学习方法的入门指南，并讨论其技术挑战和解决方案	深度学习在医学物理学领域的应用	机器学习	NA	深度学习	NA	NA	NA	NA	NA	NA	NA
280	2025-12-14	Deep learning-based attenuation correction in the absence of structural information for whole-body positron emission tomography imaging 2020-03-02, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab652c PMID:31869826	研究论文	本研究提出了一种基于深度学习的衰减校正方法，用于全身PET成像，无需结构信息即可从非衰减校正PET图像生成衰减校正PET图像	首次引入3D基于补丁的循环一致生成对抗网络，结合残差块学习NAC PET与AC PET之间的差异，实现无结构信息的衰减校正	研究为回顾性分析，样本量有限（55个数据集），且仅评估了单一PET扫描仪或混合平台的数据	开发一种无需结构信息的深度学习衰减校正方法，以解决全身PET成像中结构图获取的挑战	全身PET/CT扫描数据集	医学影像分析	NA	PET成像	GAN	图像	55个全身PET/CT扫描数据集	NA	CycleGAN, 残差块	平均误差, 归一化均方误差, 强度变化	NA