深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 32372 篇文献，本页显示第 3101 - 3120 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3101 | 2025-10-06 |
Sub-second whole brain T2mapping via multiband SENSE multiple overlapping-echo detachment imaging and deep learning
2023-Oct-05, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acfb71
PMID:37726009
|
研究论文 | 本研究通过结合多波段SENSE技术和深度学习，实现了亚秒级全脑T2定量成像 | 首次将多波段SENSE技术与MOLED成像结合，实现了600毫秒内完成全脑T2定量成像 | 在高多波段因子条件下图像质量可能下降，需要PnP算法进行改善 | 加速定量磁共振成像，实现亚秒级全脑T2定量成像 | 数值模拟、水模实验和人脑实验 | 医学影像分析 | NA | 定量磁共振成像、多波段SENSE、MOLED成像 | 深度学习 | 磁共振图像 | 数值模拟、水模实验和人脑实验（具体样本数量未明确说明） | NA | U-Net, DRUNet | 图像质量、信噪比 | NA |
| 3102 | 2025-10-06 |
Automatic brain extraction for rat magnetic resonance imaging data using U2-Net
2023-Oct-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf641
PMID:37659398
|
研究论文 | 本研究开发了一种基于U-Net深度学习模型的大鼠脑部MRI图像颅骨剥离新方法 | 首次将U-Net神经网络应用于大鼠脑部MRI图像的自动颅骨剥离，相比传统方法RATS和BrainSuite表现更优 | 研究仅针对大鼠脑部MRI数据，未验证在其他物种或成像模式上的适用性 | 开发一种高效准确的大鼠脑部MRI图像颅骨剥离方法 | 599只大鼠的脑部磁共振成像数据 | 医学影像分析 | 神经系统疾病 | 磁共振成像 | U-Net | 医学影像 | 599只大鼠（476只训练，123只测试） | NA | U-Net | Dice系数,Jaccard系数,敏感性,特异性,像素精度,Hausdorff系数,真阳性率,假阳性率 | NA |
| 3103 | 2025-10-06 |
MARGANVAC: metal artifact reduction method based on generative adversarial network with variable constraints
2023-10-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf8ac
PMID:37696272
|
研究论文 | 提出一种基于变约束生成对抗网络的金属伪影减少方法MARGANVAC，用于改善CT成像中的金属伪影问题 | 引入变约束机制作为时变成本函数，在训练初期放松保真度约束并逐步加强，同时开发了金属伪影迁移方法生成具有真实伪影特征的配对训练数据 | 未明确说明模型在更广泛临床场景中的泛化能力及计算效率的具体评估 | 开发适用于实际临床场景的高性能金属伪影减少方法 | CT图像中的金属伪影 | 医学影像处理 | NA | CT成像 | GAN | CT图像 | NA | NA | 生成对抗网络 | 定量指标，定性评估 | NA |
| 3104 | 2025-10-06 |
Deep learning for fast denoising filtering in ultrasound localization microscopy
2023-10-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf98f
PMID:37703894
|
研究论文 | 本研究提出基于对比半监督网络的深度学习去噪方法，用于超声定位显微镜中的快速去噪滤波 | 首次将对比半监督网络(CS-Net)应用于超声定位显微镜去噪，显著缩短数据处理时间 | 神经网络主要使用模拟微泡数据进行训练，可能对真实数据的适应性存在局限 | 开发快速去噪方法以实现超声定位显微镜的实时成像 | 微泡信号、流场体模、新西兰兔肿瘤模型 | 医学影像处理 | 肿瘤 | 超声定位显微镜(ULM)、超分辨率超声成像(SR-US) | 深度学习 | 超声图像 | 流场体模实验和动物实验(新西兰兔肿瘤模型) | NA | 对比半监督网络(CS-Net) | 信噪比(SNR)、对比噪声比(CNR)、处理速度 | NA |
| 3105 | 2025-10-06 |
QS-ADN: quasi-supervised artifact disentanglement network for low-dose CT image denoising by local similarity among unpaired data
2023-Oct-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf9da
PMID:37708896
|
研究论文 | 提出一种准监督伪影解缠网络，利用未配对数据中的局部相似性进行低剂量CT图像去噪 | 提出准监督学习模式，通过从未配对正常剂量CT数据集中寻找最佳匹配图像作为先验信息 | 伪影减少效果仍不如完全监督学习方法 | 低剂量CT图像去噪以减少辐射风险 | 低剂量CT图像和正常剂量CT图像 | 计算机视觉 | NA | CT成像 | CNN | 医学图像 | 未配对LDCT和NDCT图像数据集 | PyTorch | ADN（伪影解缠网络） | 噪声抑制，上下文保真度 | NA |
| 3106 | 2025-10-06 |
Deep learning-based fluorescence image correction for high spatial resolution precise dosimetry
2023-Sep-27, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf182
PMID:37591253
|
研究论文 | 开发基于深度学习的荧光图像校正方法，用于高空间分辨率精确剂量测定 | 提出新型经验性切伦科夫发射校准方法和基于CNN的荧光图像校正模型 | 仅使用单孔径静态光子束进行验证，未涉及更复杂的辐射场条件 | 提高辐射激发荧光成像的剂量分布测量精度 | 含有奎宁半硫酸盐水溶液的丙烯酸水箱 | 计算机视觉 | NA | 辐射激发荧光成像，CMOS相机成像 | CNN | 图像 | 181个单孔径静态光子束 | NA | 卷积神经网络 | 平均绝对误差，伽马指数通过率 | NA |
| 3107 | 2025-10-06 |
AC-Faster R-CNN: an improved detection architecture with high precision and sensitivity for abnormality in spine x-ray images
2023-09-26, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf7a8
PMID:37678268
|
研究论文 | 提出一种改进的AC-Faster R-CNN检测架构，用于脊柱X射线图像中异常部位的精确定位和分类 | 开发了可变形卷积特征金字塔网络的特征融合结构和异常捕获头结构，结合扩张卷积与可变形卷积更好捕捉病灶多尺度信息 | NA | 开发能够准确定位和分类脊柱X射线照片中异常部位的物体检测网络 | 脊柱X射线图像中的异常部位 | 计算机视觉 | 脊柱疾病 | X射线成像 | Faster R-CNN | 图像 | 1007张脊柱X射线图像 | NA | Faster R-CNN, Deformable Convolution Feature Pyramid Network, Abnormality Capture Head | mAP@IoU=50%, Precision, Sensitivity | NA |
| 3108 | 2025-10-06 |
Color-guided deformable convolution network for intestinal metaplasia severity classification using endoscopic images
2023-09-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf3ca
PMID:37619578
|
研究论文 | 提出一种基于颜色引导可变形卷积网络的肠化生严重程度分类方法 | 首次提出基于颜色特征生成偏移量来引导可变形卷积的方法，能够自适应调整卷积采样位置以符合IM病变的不规则形状 | NA | 准确诊断肠化生严重程度并预防胃癌发生 | 胃镜图像中的肠化生病变 | 计算机视觉 | 胃癌 | 内窥镜成像 | CNN, DCN | 图像 | 自建IM严重程度数据集 | NA | 颜色引导可变形卷积网络(CDCN) | 准确率 | NA |
| 3109 | 2025-10-06 |
Unsupervised learning-based dual-domain method for low-dose CT denoising
2023-09-08, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acefa2
PMID:37567225
|
研究论文 | 提出一种基于无监督学习的双域方法用于低剂量CT去噪 | 采用无监督学习方法解决监督学习中数据精确配对的挑战，结合投影域去噪和迭代增强的双域处理策略 | 在标记数据集可用性有限的情况下表现更优，但未明确说明在充足标记数据下的性能比较 | 开发无监督学习的低剂量CT成像方法以解决数据配对问题 | 低剂量CT图像 | 医学影像处理 | NA | CT成像 | 生成模型 | CT投影数据和重建图像 | NA | NA | Noise2Self | SSIM | NA |
| 3110 | 2025-10-06 |
Enhanced PET imaging using progressive conditional deep image prior
2023-09-01, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf091
PMID:37582392
|
研究论文 | 提出一种渐进式条件深度图像先验的无监督学习方法，用于增强PET成像质量 | 将单步无监督学习分解为两个无监督学习步骤，通过渐进式学习策略缩小输入图像与目标PET图像之间的差距 | 当输入图像与目标PET图像差距较大时仍可能存在挑战 | 开发新的无监督学习方法来提高患者研究中病灶的可检测性 | PET图像，包括体模研究和患者研究 | 医学影像处理 | NA | PET成像，迭代重建方法 | 深度神经网络 | 医学图像（PET图像，解剖图像） | 体模和患者研究（具体数量未明确说明） | NA | 深度图像先验 | 图像噪声性能，病灶可检测性 | NA |
| 3111 | 2025-10-06 |
MCSF-Net: a multi-scale channel spatial fusion network for real-time polyp segmentation
2023-08-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf090
PMID:37582393
|
研究论文 | 提出一种用于实时息肉分割的多尺度通道空间融合网络MCSF-Net | 结合多尺度融合模块与空间通道注意力机制，采用特征补充模块提取边界线索，并引入形状块增强边界特征监督 | NA | 开发实时自动息肉分割框架以辅助结肠镜检查 | 结肠镜图像中的息肉 | 计算机视觉 | 结直肠癌 | 结肠镜检查 | CNN | 图像 | 五个公开基准数据集 | NA | MCSF-Net | 多种评估指标，FPS | NA |
| 3112 | 2025-10-06 |
Multimodality deep learning radiomics nomogram for preoperative prediction of malignancy of breast cancer: a multicenter study
2023-08-18, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acec2d
PMID:37524093
|
研究论文 | 本研究构建并验证了一种基于放射组学和深度学习的列线图模型，用于术前预测乳腺癌恶性程度 | 首次结合多模态超声影像（B模式和彩色多普勒血流成像）与深度学习技术构建预测模型，并在多中心数据集上进行验证 | 回顾性研究设计，样本量相对有限（611例患者） | 术前预测乳腺癌恶性程度，实现精准医疗 | 乳腺癌患者 | 医学影像分析 | 乳腺癌 | 超声成像（B模式、彩色多普勒血流成像） | 深度学习 | 超声影像、临床数据 | 611例乳腺癌患者，分为主要队列、验证队列和两个测试队列 | NA | 多模态深度学习放射组学列线图（DLRN） | AUC, 校准曲线, 决策曲线分析 | NA |
| 3113 | 2025-10-06 |
Suppressing image blurring of PROPELLER MRI via untrained method
2023-Aug-11, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acebb1
PMID:37506706
|
研究论文 | 提出一种无训练深度学习方法用于加速PROPELLER磁共振成像并抑制图像模糊 | 首次将无训练神经网络应用于PROPELLER MRI重建，无需外部训练数据即可提升图像质量 | 未明确说明方法在更广泛临床数据上的泛化能力 | 加速PROPELLER磁共振成像采集并改善图像重建质量 | 脑部磁共振成像数据 | 医学影像处理 | NA | PROPELLER磁共振成像 | 无训练神经网络 | 磁共振图像 | NA | NA | NA | 图像清晰度 | NA |
| 3114 | 2025-10-06 |
ULS4US: universal lesion segmentation framework for 2D ultrasound images
2023-08-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace09b
PMID:37343585
|
研究论文 | 提出一种用于2D超声图像的通用病灶分割框架ULS4US，能够在不同器官中有效识别和分割各种大小的病灶 | 首次开发适用于多器官的通用超声病灶分割框架，提出多输入多输出UNet架构、两阶段病灶感知学习算法和病灶自适应损失函数 | 仅在三种特定器官类型的数据集上进行验证，需要更多器官类型数据证明其通用性 | 开发适用于多器官的超声图像通用病灶分割框架 | 超声图像中的各种器官病灶 | 计算机视觉 | 多器官病变 | 超声成像 | 深度学习 | 2D超声图像 | 超过2200张图像，包含三个特定器官类型 | NA | MIMO-UNet | 准确率,DSC,HD,mIoU | NA |
| 3115 | 2025-10-06 |
A hybrid method of correcting CBCT for proton range estimation with deep learning and deformable image registration
2023-Jul-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace754
PMID:37442128
|
研究论文 | 开发一种结合深度学习和形变图像配准的混合方法，从腹部/骨盆锥形束CT生成合成CT用于质子射程估计 | 提出将无监督深度学习（CycleGAN）和形变图像配准（DIR）相结合的混合方法，分别处理空间高频和低频分量，并通过迭代反馈机制改进肠道气体区域的准确性 | 研究仅针对儿科患者，样本量相对有限（81例） | 改进质子治疗中基于CBCT的射程验证和自适应再计划精度 | 81例儿科患者的腹部/骨盆CBCT影像数据 | 医学影像分析 | 腹部盆腔肿瘤 | 锥形束CT（CBCT），形变图像配准（DIR） | CycleGAN | 医学影像（CT，CBCT） | 81例儿科患者（训练60例，验证6例，测试15例） | NA | CycleGAN | 平均绝对误差，Dice相似系数，伽马通过率，质子射程误差 | NA |
| 3116 | 2025-10-06 |
DPAM-PSPNet: ultrasonic image segmentation of thyroid nodule based on dual-path attention mechanism
2023-Jul-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace6f1
PMID:37437581
|
研究论文 | 提出基于双路径注意力机制的DPAM-PSPNet模型用于甲状腺结节超声图像分割 | 在PSPNet中引入双路径注意力机制(DPAM)，通过轻量级跨通道交互捕获全局信息，同时利用残差桥网络关注结节边缘及周围信息 | NA | 开发自动化甲状腺结节超声图像分割系统 | 甲状腺结节超声图像 | 计算机视觉 | 甲状腺结节 | 超声成像 | CNN | 图像 | 少量训练数据 | NA | PSPNet, DPAM-PSPNet | mIOU, mPA, mPrecision, Dice系数 | NA |
| 3117 | 2025-10-06 |
Fast dose calculation in x-ray guided interventions by using deep learning
2023-07-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace678
PMID:37433326
|
研究论文 | 本研究开发了一种基于深度学习的方法，用于在X射线引导介入手术中快速计算患者剂量分布 | 提出了一种改进的3D U-Net架构，能够结合患者CT扫描和成像参数快速生成蒙特卡罗剂量图，显著缩短了计算时间 | 研究仅针对腹部区域进行验证，样本量相对有限（82例患者CT扫描） | 开发快速准确的剂量计算方法，用于X射线引导介入手术中的患者剂量监测 | 接受X射线引导介入手术的患者，特别是腹部血管修复手术患者 | 医学影像分析 | 血管疾病 | 蒙特卡罗模拟，X射线成像 | CNN | CT图像，成像参数 | 82例患者CT扫描，其中65例用于训练，17例用于测试 | NA | 3D U-Net | 平均误差，峰值皮肤剂量误差，平均皮肤剂量误差，区域剂量误差 | NA |
| 3118 | 2025-10-06 |
Pulmonary nodules segmentation based on domain adaptation
2023-07-26, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace498
PMID:37406634
|
研究论文 | 提出一种基于背景掩码对抗域适应的肺结节分割方法 | 结合背景掩码生成和梯度反转层传播的对抗域适应框架，增强对目标域数据的分割能力 | 未明确说明样本规模和数据来源的具体限制 | 解决医学图像分割中的域偏移问题并提高分割精度 | CT图像中的肺结节 | 计算机视觉 | 肺癌 | CT成像 | 对抗域适应网络 | 医学图像 | NA | NA | ADAB（基于背景掩码的对抗域适应网络） | 分割精度 | NA |
| 3119 | 2025-10-06 |
Unsupervised deep learning-based displacement estimation for vascular elasticity imaging applications
2023-07-24, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace0f0
PMID:37348487
|
研究论文 | 提出一种基于无监督深度学习的血管弹性成像位移估计方法 | 首次将无监督深度学习应用于血管位移估计，能够提供高时空分辨率的动脉壁位移数据 | NA | 改进血管弹性成像技术中的位移估计质量 | 动脉壁位移和脉搏波传播 | 医学影像分析 | 心血管疾病 | 超声弹性成像 | 深度学习 | 超声RF信号，B模式图像 | 体模实验和人类颈总动脉测试 | NA | NA | 信噪比，对比噪声比，平均相对误差，决定系数 | NA |
| 3120 | 2025-10-06 |
Low-count PET image reconstruction based on truncated inverse radon layer and U-shaped network
2023-07-19, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace240
PMID:37369236
|
研究论文 | 提出一种基于截断逆拉东层和U型网络的低计数PET图像重建方法 | 结合截断逆拉东层实现域变换和U型网络进行图像增强，能够直接从低计数正弦图重建PET图像 | NA | 解决低剂量PET图像重建中传统迭代重建方法耗时长、信噪比低的问题 | 正电子发射断层扫描(PET)图像 | 计算机视觉 | 肿瘤检测 | 正电子发射断层扫描(PET) | CNN | 图像, 正弦图 | 模拟数据和真实数据 | NA | U-Net | 结构相似性, 峰值信噪比 | NA |