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 37684 篇文献，本页显示第 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109684
PMID:41433506
|
研究论文 | 本研究提出了一种基于注意力U-Net的深度学习方法，用于从SWI MRI图像中自动检测脑微出血，以辅助评估抗淀粉样蛋白治疗相关的影像学异常 | 采用带有深度监督的注意力U-Net架构来处理脑微出血的小尺寸和形态相似性，提高了检测的准确性和可靠性 | 研究为单中心数据，未来需要进行多中心外部验证，并且目前仅支持SWI序列，未纳入其他ARIA相关因素 | 开发一个自动化的脑微出血检测系统，以改善抗淀粉样蛋白治疗监测中ARIA-H评估的效率和可靠性 | 来自峨山医学中心的SWI MRI扫描图像，用于检测和分类脑微出血 | 数字病理学 | 阿尔茨海默病 | SWI MRI | CNN | 图像 | 565例SWI MRI扫描（429例阳性，136例阴性），其中114例用于测试 | NA | Attention U-Net | AUC, 敏感性, 特异性, Dice系数, Matthews相关系数 | NA |
| 802 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109899
PMID:41433536
|
研究论文 | 本研究探讨了2型糖尿病与高内脏脂肪共同作用对脑体积损失的影响，特别是与阿尔茨海默病易感区域的关系 | 首次结合2型糖尿病和高内脏脂肪，使用深度学习模型量化内脏脂肪并分析其对脑体积的影响，强调了可改变风险因素在阿尔茨海默病预防中的重要性 | 研究为横断面设计，无法确定因果关系；依赖自我报告的糖尿病史；样本主要来自特定地理区域，可能限制普适性 | 调查2型糖尿病与高内脏脂肪的联合作用对神经退行性变关键生物标志物——脑体积损失的影响 | 4,213名成年人（平均年龄55.39岁，57.3%女性），包括2型糖尿病患者和不同内脏脂肪水平个体 | 数字病理学 | 阿尔茨海默病 | 全身MRI（1.5T），包括T1加权、T2加权、STIR和Dixon技术图像 | 深度学习模型 | MRI图像 | 4,213名成年人 | Fastsurfer | NA | ANCOVA调整后的统计显著性（p值），脑体积比较 | Siemens Espree和Aera MRI扫描仪 |
| 803 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108230
PMID:41433562
|
研究论文 | 本文开发了一种基于深度学习的模型，用于从基线MRI预测两年纵向皮质萎缩率，并旨在识别阿尔茨海默病神经影像学倡议（ADNI）中异常高萎缩率模式 | 利用深度学习模型从单次基线MRI预测长期皮质萎缩率，并建立健康参考百分位曲线以识别异常萎缩模式，为个体化疾病进展监测提供新方法 | 研究样本主要来自ADNI队列，可能缺乏外部验证；模型仅基于MRI数据，未整合其他生物标志物；样本量相对有限，特别是痴呆组 | 开发深度学习模型以预测阿尔茨海默病患者的纵向皮质萎缩率，并识别异常高萎缩模式，以辅助临床试验受试者筛选 | 阿尔茨海默病神经影像学倡议（ADNI）的参与者，包括认知正常（CU）、轻度认知障碍（MCI）和痴呆患者 | 数字病理学 | 阿尔茨海默病 | 3T T1加权MRI扫描、基于张量的形态测量学（TBM） | 深度学习 | MRI图像 | 训练集706人，测试集包括83名认知正常者、72名轻度认知障碍者和16名痴呆患者 | NA | U-Net | 总异常计数（tOC）、统计显著性（p值） | NA |
| 804 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108442
PMID:41433628
|
研究论文 | 本文提出了一种名为PerMod-MoE的新型多模态融合方法，用于改进阿尔茨海默病进展预测，特别是在推理阶段神经影像模态缺失严重的情况下 | 通过为每个神经影像模态引入独立的稀疏混合专家路由器，改进了现有Flex-MoE模型，在模态缺失时显著提升了预测性能 | 研究仅基于ADNI数据集中的469名MCI患者，可能无法完全代表更广泛的阿尔茨海默病人群 | 开发一种能够有效处理神经影像模态缺失的阿尔茨海默病进展预测模型 | 阿尔茨海默病神经影像倡议（ADNI）数据集中的469名轻度认知障碍（MCI）患者 | 数字病理学 | 阿尔茨海默病 | T1加权MRI、FLAIR、淀粉样蛋白β PET、tau PET神经影像 | 深度学习模型 | 神经影像数据 | 469名MCI患者 | NA | Per-Modality Mixture-of-Experts (PerMod-MoE), Flex-MoE | 均方根误差（RMSE） | NA |
| 805 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_109003
PMID:41433693
|
研究论文 | 本研究通过免疫组化、单核RNA与ATAC测序及空间转录组学，探究了阿尔茨海默病中尾状核的病理变化，特别是磷酸化Tau蛋白与淀粉样蛋白β的影响 | 首次在阿尔茨海默病中系统研究尾状核的细胞类型变化，并发现其与皮质不同的特异性反应，如星形胶质细胞和小胶质细胞类型的独特增加 | 样本量相对较小（42名捐赠者），且空间转录组学仅针对10名捐赠者子集进行，可能限制统计效力 | 探究阿尔茨海默病在尾状核中的病理影响，特别是磷酸化Tau蛋白和淀粉样蛋白β对细胞组成和基因表达的作用 | 42名仅患有典型蛋白病且无共病的捐赠者的尾状核组织 | 数字病理学 | 阿尔茨海默病 | 免疫组化染色（AT8, 6e10）、单核RNA测序、ATAC测序、空间转录组学 | 深度学习 | 图像、转录组数据、表观基因组数据 | 42名捐赠者的尾状核组织，其中10名用于空间转录组学 | NA | NA | NA | NA |
| 806 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108149
PMID:41433715
|
研究论文 | 本研究探讨了MRI可见的血管周围间隙与记忆表现、神经退行性变及阿尔茨海默病生物标志物之间的关系 | 在临床前老年人群中，使用深度学习算法对血管周围间隙进行区域特异性分割，并首次发现基底节区血管周围间隙计数与血浆p-tau217水平呈正相关 | 样本量较小（n=120），横断面设计无法确定因果关系，血管周围间隙分割可能受MRI分辨率限制 | 探究血管周围间隙作为早期神经退行性变和阿尔茨海默病风险生物标志物的潜力 | 120名老年参与者（平均年龄72.19岁，66.6%女性） | 数字病理学 | 阿尔茨海默病 | T1加权磁共振成像，深度学习分割，18F-florbetapir-PET淀粉样蛋白成像，血浆生物标志物检测 | 深度学习算法 | MRI图像，神经心理学测试数据，生物标志物数据 | 120名老年参与者 | NA | NA | 相关系数，p值 | NA |
| 807 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110016
PMID:41433736
|
研究论文 | 本研究通过专家评估比较了五种深度学习白质高信号分割管道的性能 | 首次使用盲法神经放射科医生评分作为基准，系统比较多种深度学习白质高信号分割管道的性能 | 研究样本仅包括100名80岁及以上的老年人，且数据来自特定研究项目，可能限制结果的普适性 | 评估和比较深度学习白质高信号分割管道的性能，以确定最适合研究和临床应用的自动化工具 | 100名80岁及以上老年人的脑部FLAIR和T1加权MRI图像 | 医学影像分析 | 阿尔茨海默病及相关痴呆 | MRI成像（3D T2加权FLAIR和T1加权MPRAGE序列） | 深度学习分割管道 | 医学影像（MRI） | 100名老年人 | NA | sysu_media, ANTSx, DeepWMH, TrUE-Net, HyperMapp3r | Likert量表评分（1-7分） | NA |
| 808 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109949
PMID:41433750
|
研究论文 | 本研究利用tau-PET数据和深度学习算法，识别了阿尔茨海默病谱系中三种具有不同tau蛋白空间积累模式的亚型 | 首次采用基于高斯混合模型的新型自监督深度学习框架，根据tau-PET在68个脑区的空间模式对AD患者进行亚型分类，并进行了多模态验证 | 这是一项横断面研究，无法确定亚型的时间演变或因果关系；样本量相对有限（318名参与者） | 识别阿尔茨海默病谱系中基于tau蛋白空间积累模式的异质性亚型 | 318名来自ADNI Phase 3的参与者 | 数字病理学 | 阿尔茨海默病 | tau-PET成像 | 自监督深度学习, 高斯混合模型 | 医学影像（tau-PET） | 318名参与者 | NA | NA | 验证准确率, 调整互信息分数, p值 | NA |
| 809 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110136
PMID:41433742
|
研究论文 | 本研究利用多模态神经影像数据（T1-MRI和淀粉样蛋白-PET）结合深度学习模型，旨在提高阿尔茨海默病的预测准确性，并推导痴呆风险评分以预测早期痴呆进展 | 通过融合T1-MRI和淀粉样蛋白-PET多模态数据，结合预训练的ResNet50模型进行微调，实现了对阿尔茨海默病分类及未来痴呆进展预测的性能提升 | 在预测未来MCI进展时性能仍有提升空间，需进一步优化微调过程、采用更先进的多模态融合策略，并探索其他模态如FDG-PET和tau-PET | 提高阿尔茨海默病的早期预测准确性，并开发用于评估痴呆风险及预测疾病进展的多模态深度学习模型 | 阿尔茨海默病患者、认知正常个体以及轻度认知障碍患者 | 数字病理学 | 阿尔茨海默病 | T1-MRI, 淀粉样蛋白-PET | CNN | 图像 | 来自ADNI 1,2和GO数据集的受试者（具体数量未在摘要中明确说明） | PyTorch（基于MedicalNet预训练权重推断） | ResNet50 | 平衡准确率, AUC | NA |
| 810 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110185
PMID:41433769
|
研究论文 | 本文提出了一种掩码多模态多任务深度学习框架，通过整合合成PET扫描来改善在真实世界数据约束下的淀粉样蛋白负荷预测 | 提出了一种掩码多模态多任务深度学习框架，结合合成PET扫描生成，并利用掩码嵌入注意力机制显式处理缺失输入，以在常规临床数据不完整的情况下预测淀粉样蛋白负荷 | 研究队列主要来自ADNI项目，未来需要在更大、更多样化的队列中进行测试，并评估其对AD管理的真实世界影响 | 改善阿尔茨海默病淀粉样蛋白负荷的预测，以降低对昂贵PET扫描的依赖，并处理临床实践中常见的缺失数据问题 | 来自ADNI-2和ADNI-3项目的968名参与者的2,043个纵向观察数据 | 数字病理学 | 阿尔茨海默病 | T1加权、T2*加权、FLAIR MRI，AV45-PET，CSF生物标志物检测 | 潜在扩散模型，深度学习网络 | 图像，临床数据 | 968名参与者（491名男性，477名女性，平均年龄72岁）的2,043个纵向观察 | NA | 潜在扩散模型，掩码嵌入注意力机制 | 平均绝对误差，曲线下面积 | NA |
| 811 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109938
PMID:41433796
|
研究论文 | 本研究开发了一种可解释的皮层图卷积网络，用于从T1 MRI中提取皮层萎缩模式，以识别阿尔茨海默病高风险个体 | 提出了一种新颖的可解释皮层图卷积网络，能够捕捉皮层表面细微且异质的神经退行性变模式，这是传统深度学习方法难以原生处理的 | 模型需要在独立数据集（如NACC/ADRC）上进行验证以评估其泛化能力，且可解释性技术（如Grad-CAM和积分梯度）的应用有待进一步深入 | 开发一种基于图卷积网络的早期阿尔茨海默病风险预测模型 | 阿尔茨海默病神经影像倡议（ADNI）数据集中的受试者，包括认知正常者、稳定型轻度认知障碍者、进展型轻度认知障碍者和阿尔茨海默病患者 | 数字病理学 | 阿尔茨海默病 | T1 MRI, FreeSurfer处理 | 图卷积网络 | 图像（T1 MRI） | 1645名受试者（902名男性，743名女性），包括523名稳定认知正常者、339名稳定阿尔茨海默病患者和783名轻度认知障碍者 | NA | 皮层图卷积网络 | 平衡准确度 | NA |
| 812 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110184
PMID:41433804
|
研究论文 | 本研究通过微调预训练的脑龄预测模型，利用3D脑部MRI数据预测阿尔茨海默病评估量表（ADAS13）分数 | 提出了一种基于预训练脑龄预测模型的微调方法，用于预测临床评估分数，相比传统方法在数据有限的情况下实现了更好的泛化性能 | 研究主要基于ADNI数据集，可能在其他人群或数据集中泛化能力有限；仅使用50%可用数据进行训练，虽然展示了数据效率，但可能未充分利用全部数据 | 开发阿尔茨海默病的诊断和预后工具，通过预测临床评估分数来测量疾病严重程度 | 阿尔茨海默病患者及风险个体的脑部MRI数据 | 医学影像分析 | 阿尔茨海默病 | 3D脑部MRI成像 | 深度学习模型 | 3D医学影像 | 11,041个MRI扫描（来自ADNI数据集），分为训练集5,536个、验证集2,815个、测试集2,690个 | NA | 集成模型（n=5） | 平均绝对误差（MAE）, R²分数, 相关系数（r） | NA |
| 813 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109828
PMID:41433893
|
研究论文 | 本研究利用先进的成像技术和自动处理流程，识别额颞叶痴呆亚型的敏感生物标志物，并优化临床试验设计 | 整合体积和扩散MRI指标，结合深度学习分割技术，实现精确的早期变化检测，降低临床试验样本量需求 | 研究样本量有限，且仅基于单一数据集（FTLDNI），可能影响结果的普适性 | 识别额颞叶痴呆亚型的敏感生物标志物，优化临床试验设计 | 额颞叶痴呆患者（包括行为变异型、语义变异型和非流利变异型）及健康对照 | 数字病理学 | 额颞叶痴呆 | MRI，扩散MRI，深度学习分割 | 深度学习 | MRI图像 | 238名参与者（52名行为变异型FTD，32名非流利变异型PPA，35名语义变异型PPA，117名健康对照） | NA | NA | NA | NA |
| 814 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108718
PMID:41434014
|
研究论文 | 本文提出了一种可解释的深度学习框架，用于联合表征局部和全局的大脑衰老模式，并直接解释潜在的脑形态变化 | 开发了一种可解释的深度学习框架，通过联合学习体素级脑变化和全脑衰老模式，直接解释衰老相关的形态变化，克服了现有方法缺乏机制理解和低分辨率可视化的问题 | 方法仅在认知未受损个体上训练以学习典型衰老轨迹，可能未涵盖所有衰老变异性；依赖于特定预处理和数据集（ADNI） | 表征典型大脑衰老轨迹，检测加速或弹性衰老模式，并提高对衰老预测过程的可解释性 | 大脑衰老模式，特别是与阿尔茨海默病相关的异常衰老 | 机器学习 | 阿尔茨海默病 | 深度学习，微分同胚配准方法 | 深度学习框架 | MRI扫描图像 | 10,579次扫描来自2,366名受试者（来自纵向ADNI数据集） | NA | NA | 年龄差异预测准确性，衰老模式空间分布 | NA |
| 815 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108731
PMID:41434039
|
研究论文 | 本研究旨在通过使用加速预处理和仅依赖标准T1加权图像，提高先前提出的阿尔茨海默病萎缩亚型与分期模型的可及性 | 改进了萎缩亚型与分期模型，使其适用于标准T1加权图像和加速预处理，提高了在现实世界临床环境中的可及性 | 亚型和分期分配仅基于横断面数据，尽管纵向MRI扫描显示了亚型分类的稳定性 | 提高阿尔茨海默病萎缩亚型与分期模型的可及性，使其适用于标准MRI场强和加速预处理 | 阿尔茨海默病患者及风险个体的T1加权MRI扫描数据 | 数字病理学 | 阿尔茨海默病 | T1加权MRI扫描 | 深度学习算法 | 图像 | DELCODE队列813人，ADNI队列2117人，A4/LEARN队列1241人，总计4171名参与者 | FastSurfer, SuStaIn | FastSurfer, SuStaIn | 亚型和分期分类的一致性，模型在不同数据集和MRI场强下的泛化能力 | NA |
| 816 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109817
PMID:41434097
|
研究论文 | 本研究使用深度学习从低分辨率（3T）MRI图像合成高分辨率（7T）T1加权MRI图像，以改善阿尔茨海默病相关结构的成像质量 | 首次利用深度学习从3T MRI图像合成7T分辨率图像，并比较了U-Net和U-Net-GAN模型的性能，在图像质量和分割任务上显示出优势 | 分类任务性能一般（准确率约60%），且模型泛化性和临床实用性仍需进一步改进 | 提高阿尔茨海默病相关脑结构的成像分辨率，以改善图像质量和分割精度 | 阿尔茨海默病患者及临床未受损个体的MRI图像 | 数字病理学 | 阿尔茨海默病 | MRI成像 | CNN, GAN | 图像 | 178名参与者（134名临床未受损，48名受损）的配对7T和3T T1加权MRI图像 | NA | U-Net, U-Net-GAN, V-Net, WATNet | 图像质量指标，主观质量评估，分割相似度，分类准确率 | NA |
| 817 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108740
PMID:41434125
|
研究论文 | 本研究使用皮质网络模型模拟SST中间神经元退化，探讨其在阿尔茨海默病认知衰退中的关键作用 | 首次结合深度学习模型与神经科学数据，揭示SST中间神经元通过调控反馈信号在认知功能中的关键作用 | 模型基于简化假设，未完全模拟人脑复杂性；仅使用MNIST任务评估认知表现 | 探究SST中间神经元在阿尔茨海默病认知衰退中的机制 | 皮质网络模型中的SST样抑制连接与锥体样兴奋连接 | 计算神经科学 | 阿尔茨海默病 | 单核RNA测序 | 深度学习模型 | 模拟数据，RNA测序数据 | NA | NA | BurstCCN | 测试准确率 | NA |
| 818 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109729
PMID:41434145
|
研究论文 | 本文介绍了一个名为purple-mri的新型软件包，用于对死后MRI进行组织分割、解剖分区和空间标准化，并提供了一个框架在共同坐标系中连接形态测量学和组织病理学 | 开发了一个结合深度学习和经典技术的联合体素与表面分析流程，用于死后大脑半球的精确分区，并实现了死后与生前MRI之间的可变形图像配准 | 研究样本量相对较小（N=49匹配案例，N=75完整队列），且部分分析未包含对应的生前MRI扫描 | 开发一个用于死后MRI图像分析的软件包，以研究阿尔茨海默病及相关痴呆症（ADRD）中大脑结构与病理变化之间的关联 | 死后大脑半球MRI图像，以及对应的生前MRI图像和组织病理学数据 | 数字病理学 | 阿尔茨海默病 | MRI（7T和3T）、组织病理学检查 | 深度学习 | 图像 | 49个匹配的死后与生前MRI样本，外加26个仅死后MRI样本，总计75个死后MRI样本 | NA | NA | NA | NA |
| 819 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109968
PMID:41434389
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于从高度不平衡的数据集中自动分割腔隙（推测为血管源性），并有效区分其与类似腔隙的特征 | 采用基于监督对比学习的预训练编码器的Attention U-Net架构，用于处理高度不平衡的数据集，并实现腔隙的实例级检测 | 研究仅基于单一医疗中心的427个MRI图像，缺乏多中心外部验证，且模型对少量腔隙（1-2个）的检测灵敏度有限（58.1%） | 开发一个深度学习模型，用于自动分割MRI图像中的腔隙，以评估其与认知衰退和淀粉样蛋白相关成像异常（ARIA）风险的关系 | 来自Asan Medical Center的427个T2-FLAIR MRI图像，包含腔隙阳性患者和阴性患者 | 医学影像分析 | 阿尔茨海默病 | T2-FLAIR MRI成像 | 深度学习 | MRI图像 | 427个T2-FLAIR MRI图像（来自Asan Medical Center），测试集包括55名阳性患者（共166个腔隙）和31名阴性患者 | NA | Attention U-Net | 替代自由响应接收器操作特性（AFROC）分析、曲线下面积（AUC）、灵敏度、置信区间 | NA |
| 820 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110222
PMID:41434400
|
研究论文 | 本文提出了一种名为'purple-mri'的完整半球离体到原位/活体分割与配准流程，用于处理多分辨率、跨模态的阿尔茨海默病相关MRI数据 | 结合深度学习分割架构与经典基于表面的建模技术，开发了两阶段跨模态微分同胚图像配准方法，以解决离体与原位MRI之间的配准挑战 | 厚度测量因组织损伤/缺失区域的缺乏分割而存在噪声，导致整体相关性略有下降 | 开发一种能够准确分割高分辨率离体MRI并实现多模态死后MRI一对一对应的流程，以加强形态计量学与组织病理学检查之间的关联研究 | 21个对照样本的离体与原位MRI数据 | 数字病理学 | 阿尔茨海默病 | MRI成像 | 深度学习 | 图像 | 21个对照样本（年龄57-88岁；女性9例/男性12例） | FreeSurfer | NA | Spearman相关系数 | NA |