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
9801	2024-12-24	Non-Invasive Quantification of the Brain [¹⁸F]FDG-PET Using Inferred Blood Input Function Learned From Total-Body Data With Physical Constraint 2024-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3368431 PMID:38386580	研究论文	本研究提出了一种基于深度学习的方法，用于从全身动态扫描数据中推断动态脑FDG扫描的输入函数，以实现脑PET的非侵入性定量分析	本研究首次使用深度学习方法从全身动态扫描数据中推断脑PET的输入函数，并通过引入物理约束减少偏差和训练样本需求	本研究仅在特定数据集上进行了验证，未来需要在更多临床数据上进行验证	开发一种非侵入性的方法来定量分析脑PET	动态脑FDG扫描的输入函数	计算机视觉	NA	深度学习	LSTM结合全连接网络	图像	85例全身动态扫描数据
9802	2024-12-24	Weakly Supervised Lesion Detection and Diagnosis for Breast Cancers With Partially Annotated Ultrasound Images 2024-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3366940 PMID:38373131	研究论文	提出了一种基于弱监督学习的两阶段检测与诊断网络（TSDDNet），用于提高乳腺超声图像的计算机辅助诊断准确性	设计了一种候选选择机制来细化手动标注的ROI，并生成准确的伪ROI，同时采用自蒸馏策略进行联合优化，以提高诊断性能	未提及具体的局限性	提高基于超声图像的乳腺癌症计算机辅助诊断系统的诊断准确性	乳腺癌症的超声图像	计算机视觉	乳腺癌	深度学习	两阶段检测与诊断网络（TSDDNet）	图像	三个B模式超声数据集
9803	2024-12-24	3D Single Vessel Fractional Moving Blood Volume (3D-svFMBV): Fully Automated Tissue Perfusion Estimation Using Ultrasound 2024-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3376668 PMID:38478454	研究论文	本文介绍了一种名为3D-svFMBV的全新全自动方法，用于使用超声波评估组织灌注	提出了结合图像处理、数值建模和深度学习的3D-svFMBV方法，消除了对背景信号进行数学校正的需求，提高了灌注估计的准确性和鲁棒性	NA	开发一种全自动方法来提高组织灌注估计的准确性，并探索其在临床中的应用	子宫动脉和胎盘的超声图像	数字病理学	妊娠相关疾病	超声波（PD-US）	深度学习	图像	143个早期妊娠胎盘超声体积
9804	2024-12-24	Mixed Supervision of Histopathology Improves Prostate Cancer Classification From MRI 2024-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3382909 PMID:38547000	研究论文	本文提出了一种基于混合监督的深度学习方法，用于从MRI图像中预测临床显著性前列腺癌	本文的创新点在于通过分布回归而非简单的值回归，利用非靶向系统活检的弱监督信号来提高分类性能	本文的局限性在于混合监督方法虽然提高了分类性能，但降低了与基于图像的分割的一致性	本文的研究目的是提高从MRI图像中分类临床显著性前列腺癌的准确性	本文的研究对象是接受MRI筛查后进行活检的前列腺癌患者	计算机视觉	前列腺癌	深度学习	深度网络	图像	973例多参数前列腺MRI检查（测试集n=198）
9805	2024-12-24	Scan-Specific Self-Supervised Bayesian Deep Non-Linear Inversion for Undersampled MRI Reconstruction 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3364911 PMID:38335079	研究论文	本文介绍了一种无需自动校准扫描区域的扫描特定自监督贝叶斯深度非线性反演方法（DNLINV），用于欠采样MRI重建	提出了无需自动校准扫描区域的扫描特定自监督贝叶斯深度非线性反演方法（DNLINV），利用深度图像先验类型的生成建模方法和近似贝叶斯推断来正则化深度卷积神经网络	需要进一步验证在更多数据集和临床环境中的性能	开发一种无需大量全采样数据集的欠采样MRI重建方法	欠采样MRI数据	计算机视觉	NA	深度学习	深度卷积神经网络	图像	涉及多个解剖结构、对比度和采样模式的数据
9806	2024-12-24	Compositionally Equivariant Representation Learning 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3358955 PMID:38277249	研究论文	本文研究了在医学图像分割中利用组合性学习更具解释性和泛化能力的表示	提出了组合等变表示学习方法，通过可学习的von-Mises-Fisher核来建模组合表示，并在不同监督设置下探索如何增强组合等变性	NA	研究如何在医学图像分割中利用组合性学习更具解释性和泛化能力的表示	医学图像分割中的组合等变表示	计算机视觉	NA	von-Mises-Fisher核	组合等变表示模型	图像	NA
9807	2024-12-24	Deep Learning With Physics-Embedded Neural Network for Full Waveform Ultrasonic Brain Imaging 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3363144 PMID:38329866	研究论文	本文提出了一种基于物理嵌入神经网络的深度学习方法，用于超声波脑成像的全波形反演	提出了物理嵌入神经网络（PEN-FWI），结合深度学习与全波形反演，能够实现对脑组织的可靠定量成像	NA	开发一种新的方法，用于超声波脑成像，克服传统超声在脑成像中的局限性	脑组织和颅骨的超声波成像	计算机视觉	NA	超声波成像	卷积神经网络（CNN）	图像	模拟和实验室测试数据
9808	2024-12-24	Multi-Instance Multi-Task Learning for Joint Clinical Outcome and Genomic Profile Predictions From the Histopathological Images 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3362852 PMID:38319755	研究论文	本文提出了一种多实例多任务学习框架，用于从病理图像中联合预测临床结果和基因组特征	本文创新性地提出了一个多实例学习模块和一个基于软掩码的融合模块，以利用不同任务之间的相关性来提高预测性能	本文的局限性在于仅在TCGA数据集上进行了验证，未来需要在更多数据集上进行验证	研究目的是开发一种能够从病理图像中联合预测临床结果和基因组特征的多任务学习框架	研究对象是来自TCGA的三种癌症队列的病理图像	数字病理学	NA	深度学习	多实例多任务学习框架	图像	来自TCGA的三种癌症队列
9809	2024-12-24	Robust Stochastic Neural Ensemble Learning With Noisy Labels for Thoracic Disease Classification 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3357986 PMID:38265913	研究论文	本文提出了一种新的随机神经网络集成学习框架（SNEL），用于在存在噪声标签的情况下进行胸部疾病分类	本文的创新点在于通过构建模型集成和设计抗噪损失函数来从噪声标签中学习	NA	开发一种能够在噪声标签存在的情况下进行胸部疾病分类的鲁棒深度学习模型	胸部疾病的分类	计算机视觉	NA	深度学习	神经网络集成	图像	三个公开的医院级胸部X光数据集
9810	2024-12-24	Toward Ground-Truth Optical Coherence Tomography via Three-Dimensional Unsupervised Deep Learning Processing and Data 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3363416 PMID:38324426	研究论文	本文提出了一种名为tGT-OCT的无散斑光学相干断层扫描（OCT）成像策略，利用无监督的三维深度学习处理和OCT三维成像特征来实现无散斑的OCT成像	本文的创新点在于提出了一种无监督的三维卷积深度学习网络，能够有效区分并分离三维成像体积空间中的散斑和真实结构，从而实现高质量的无散斑三维成像	NA	本文的研究目的是开发一种新的无散斑OCT成像方法，以提高OCT成像的质量和应用范围	本文的研究对象是光学相干断层扫描（OCT）成像中的散斑噪声	计算机视觉	NA	光学相干断层扫描（OCT）	三维卷积神经网络（3D-CNN）	三维体积数据	不同样本
9811	2024-12-24	PND-Net: Physics-Inspired Non-Local Dual-Domain Network for Metal Artifact Reduction 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3354925 PMID:38236665	研究论文	本文提出了一种基于物理特性的非局部双域网络PND-Net，用于CT图像中的金属伪影减少	提出了一个新颖的物理启发式非局部双域网络PND-Net，并设计了非局部正弦图分解网络NSD-Net和图像恢复网络IR-Net，以及用于未配对学习的可训练融合网络F-Net	未提及具体限制	减少CT图像中的金属伪影，提高图像质量和临床诊断的准确性	CT图像中的金属伪影	计算机视觉	NA	深度学习	PND-Net	图像	模拟数据和临床数据
9812	2024-12-24	Integrating artificial intelligence into lung cancer screening: a randomised controlled trial protocol 2024-02-13, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2023-074680 PMID:38355174	研究论文	本研究旨在通过随机对照试验，评估将基于3D卷积网络的人工智能技术整合到肺癌筛查中，以加速肺结节的分类	首次进行前瞻性研究，验证人工智能在实际临床环境中对肺结节分类的加速作用	尚未在真实临床环境中验证人工智能技术的有效性	评估人工智能技术在肺癌筛查中加速肺结节分类的效果	50-80岁、吸烟史超过20包年的患者	机器学习	肺癌	3D卷积网络	CNN	CT扫描图像	2722名患者
9813	2024-12-24	Towards Explainable Detection of Alzheimer's Disease: A Fusion of Deep Convolutional Neural Network and Enhanced Weighted Fuzzy C-Mean 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056317205241014060633 PMID:39629569	研究论文	本文提出了一种结合深度卷积神经网络和增强加权模糊C均值的阿尔茨海默病可解释检测模型	创新点在于将可解释人工智能技术（如Grad-CAM、SHAP和LIME）与增强模糊C均值算法结合，提高了模型的解释性和透明度	NA	开发一种新颖且可解释的深度学习模型，用于快速准确的阿尔茨海默病检测	阿尔茨海默病	机器学习	阿尔茨海默病	深度卷积神经网络（CNN）、增强模糊C均值（FCM）	深度卷积神经网络（CNN）	图像	使用了ADNI和OASIS数据集
9814	2024-12-24	Automated staging of zebrafish embryos with deep learning 2024-01, Life science alliance IF:3.3Q1 DOI:10.26508/lsa.202302351 PMID:37884343	研究论文	本文介绍了一种基于深度学习的模型KimmelNet，用于自动预测斑马鱼胚胎的发育阶段	KimmelNet能够从2D明场图像中预测胚胎年龄，并能检测不同群体之间的发育延迟，且具有高准确性	NA	开发一种自动化的方法来检测和量化斑马鱼胚胎的发育延迟	斑马鱼胚胎的发育阶段	计算机视觉	NA	深度学习	深度学习模型	图像	至少100张2D明场显微镜图像
9815	2024-12-24	Research progress and prospect of key technologies of fruit target recognition for robotic fruit picking 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1423338 PMID:39711588	综述	本文综述了机器视觉在果园水果采摘中目标识别的应用和研究成果，重点介绍了传统数字图像处理方法和基于深度学习的目标识别方法	本文总结了传统数字图像处理方法的研究进展，并介绍了基于深度学习的水果目标识别方法，包括目标识别过程、数据集的准备和分类，以及目标识别算法在分类、检测、分割和压缩加速网络模型方面的研究成果	本文指出了当前果园水果目标识别任务在数据集、模型适用性、应用场景的普遍性、识别任务的难度和算法稳定性等方面存在的不足	回顾果园水果采摘中目标识别的关键技术研究进展，并展望未来发展	果园中的水果目标识别	计算机视觉	NA	机器视觉	深度学习模型	图像	NA
9816	2024-12-24	Clinical concept annotation with contextual word embedding in active transfer learning environment 2024 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076241308987 PMID:39711738	研究论文	本文提出了一种在主动迁移学习环境中使用上下文词嵌入的临床概念自动提取和分类方法	本文创新性地结合了主动学习和上下文词嵌入模型（如SCIBERT和CNN）来提高临床概念提取的效率和准确性	本文的实验仅使用了i2b2公共数据集，未来研究可以扩展到更多样化的数据集以验证方法的泛化能力	研究目的是提出一种自动从非结构化数据中提取临床概念并分类的方法，同时保持高精度和召回率	研究对象是从非结构化数据中提取的临床概念，包括问题、治疗和测试等类别	自然语言处理	NA	上下文词嵌入（BERT、ClinicalBERT、DistilBERT、SCIBERT）	卷积神经网络（CNN）	文本	426份临床笔记
9817	2024-12-24	Deep learning enhanced quantum holography with undetected photons 2024, PhotoniX IF:15.7Q1 DOI:10.1186/s43074-024-00155-2 PMID:39711807	研究论文	本文提出了一种利用深度学习增强量子全息术（QHUP）的方法，通过深度学习从单次全息图中提取图像，显著减少了噪声和失真，并提高了空间分辨率	本文的创新点在于将深度学习技术应用于量子全息术，提出了一种新的深度学习增强量子全息术（DL-QHUP）方法，显著提升了图像质量和空间分辨率	NA	本文的研究目的是通过深度学习技术解决量子全息术中的相位扰动、低干涉可见性和有限空间分辨率等问题	本文的研究对象是量子全息术（QHUP）及其在图像生成中的应用	NA	NA	深度学习	NA	图像	NA
9818	2024-12-24	Label-Efficient Self-Supervised Federated Learning for Tackling Data Heterogeneity in Medical Imaging 2023-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2022.3233574 PMID:37018314	研究论文	本文提出了一种用于医学图像分析的鲁棒且高效的标签自监督联邦学习框架，通过Transformer和掩码图像建模来解决数据异质性问题	引入了一种基于Transformer的自监督预训练范式，直接在分散的目标任务数据集上进行预训练，以增强对异质数据的鲁棒表示学习和有效的知识迁移	未提及具体限制	解决联邦学习中由于数据异质性和缺乏高质量标签数据导致性能下降的问题	医学图像分类任务，包括视网膜、皮肤病和胸部X光分类	计算机视觉	NA	联邦学习 (FL)	Transformer	图像	模拟和真实世界的非独立同分布 (non-IID) 医学图像数据集
9819	2024-12-24	Federated Active Learning for Multicenter Collaborative Disease Diagnosis 2023-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2022.3227563 PMID:37015520	研究论文	本文提出了两种联邦主动学习方法，用于多中心协作疾病诊断，以提高数据和客户端的效率	提出了Labeling Efficient Federated Active Learning (LEFAL)和Training Efficient Federated Active Learning (TEFAL)两种方法，分别通过任务无关的混合采样策略和客户端信息评估来提高数据和客户端的效率	未提及具体限制	解决多中心协作疾病诊断中的大规模标注负担、隐私保护和模型泛化问题	多中心协作疾病诊断	计算机视觉	胃肠道疾病, COVID-19	联邦主动学习	NA	图像	Hyper-Kvasir数据集（65%标注数据）, CC-CCII数据集（50次迭代）
9820	2024-12-24	Deep learning based registration of serial whole-slide histopathology images in different stains 2023, Journal of pathology informatics DOI:10.1016/j.jpi.2023.100311 PMID:37214150	研究论文	本文提出了一种基于深度学习的注册网络CGNReg，用于在不同染色下对连续的全切片病理图像进行空间对齐	本文提出了一种新的基于深度学习的注册网络CGNReg，能够在没有先验变形信息的情况下，对H&E和IHC标记的连续全切片图像进行空间对齐	本文的局限性在于仅在乳腺癌患者的数据集上进行了评估，未来需要在更多类型的病理图像上进行验证	研究目的是对多染色病理全切片图像块的连续切片进行注册	研究对象是H&E和IHC标记的连续全切片病理图像	数字病理学	乳腺癌	深度学习	全卷积网络	图像	76名乳腺癌患者，每位患者有1张H&E和2张IHC连续全切片图像