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
10281	2024-12-20	A Learnable Counter-Condition Analysis Framework for Functional Connectivity-Based Neurological Disorder Diagnosis 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3337074 PMID:38019623	研究论文	本文提出了一种可学习的反条件分析框架，用于基于功能连接的神经功能障碍诊断	本文创新性地提出了一种统一的框架，将诊断和解释系统性地整合在一起，并设计了自适应注意力网络进行特征选择，提出了功能网络关系编码器来学习功能连接的全局拓扑属性，并引入了反条件分析方法进行神经科学解释	本文未提及具体的局限性	研究目的是开发一种新的框架，用于基于功能连接的神经功能障碍诊断，并提供神经科学解释	研究对象是基于功能连接的神经功能障碍诊断	机器学习	NA	功能磁共振成像 (fMRI)	自适应注意力网络，功能网络关系编码器	功能连接数据	使用了两个大型静息态功能磁共振成像数据集，分别是Autism Brain Imaging Data Exchange (ABIDE) 和 REST-meta-MDD
10282	2024-12-20	Semi-Supervised Medical Image Segmentation Using Cross-Style Consistency With Shape-Aware and Local Context Constraints 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3338269 PMID:38032771	研究论文	提出了一种基于交叉风格一致性和形状感知与局部上下文约束的半监督医学图像分割框架	设计了形状无关和形状感知两个并行网络，通过交叉风格一致性策略和局部上下文约束来提高半监督学习的效果，并有效利用未标注数据	未明确提及	解决半监督医学图像分割中标注数据不足的问题，提升分割精度和形状感知能力	医学图像的分割	计算机视觉	NA	深度学习	NA	图像	三个不同数据集的医学图像
10283	2024-12-20	An Energy Matching Vessel Segmentation Framework in 3-D Medical Images 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3339204 PMID:38048240	研究论文	本文提出了一种高分辨率能量匹配分割（HrEmS）框架，用于从高分辨率三维医学扫描中进行精确的血管分割	引入了一种新的基于实数阶全变差算子的损失函数，用于指导分割网络通过匹配预测分割与手动标签的能量来获得正确的拓扑结构；开发了一个基于曲率的权重校正模块，使网络能够专注于血管的关键和复杂结构部分	NA	开发一种可靠且可扩展的框架，用于从高分辨率三维医学扫描中进行血管分割，以帮助临床医生可视化复杂的血管结构并诊断相关的血管疾病	高分辨率三维医学扫描中的血管分割	计算机视觉	NA	深度学习	NA	图像	三个内部多中心数据集和三个公共数据集
10284	2024-12-20	DeepMesh: Mesh-Based Cardiac Motion Tracking Using Deep Learning 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3340118 PMID:38064325	研究论文	提出了一种名为DeepMesh的深度学习框架，用于从心脏磁共振图像中估计心脏的三维运动	通过将心脏建模为包含心外膜和心内膜表面的三维网格，并开发了一种可微分的网格到图像光栅化器，能够利用多个解剖视图的2D形状信息进行3D网格重建和网格运动估计	主要集中在左心室的三维运动估计，未涉及其他心脏结构	开发一种新的方法来估计心脏的三维运动，以评估心脏功能和诊断心血管疾病	心脏的三维运动，特别是左心室	计算机视觉	心血管疾病	深度学习	NA	图像	来自UK Biobank的心脏磁共振图像
10285	2024-12-20	DeepTree: Pathological Image Classification Through Imitating Tree-Like Strategies of Pathologists 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3341846 PMID:38090840	研究论文	本文提出了一种基于树状策略的深度学习架构DeepTree，用于病理图像分类，模仿病理学家的诊断决策过程	创新点在于设计了一种基于树状策略的深度学习架构DeepTree，模仿病理学家的诊断方法，并结合了组织形态学相关性进行条件学习	NA	提高病理图像分类的准确性、透明性和可信度，促进人工智能辅助诊断在临床中的实际应用	肺癌症冷冻组织和乳腺癌亚型病理图像	数字病理学	肺癌	深度学习	DeepTree	图像	包括肺癌症冷冻组织和乳腺癌亚型病理图像的数据集
10286	2024-12-20	OIF-Net: An Optical Flow Registration-Based PET/MR Cross-Modal Interactive Fusion Network for Low-Count Brain PET Image Denoising 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3342809 PMID:38096101	研究论文	本文提出了一种基于光流配准的PET/MR跨模态交互融合网络OIF-Net，用于低计数脑PET图像的去噪	本文创新性地引入了光流预配准模块和跨模态特征融合模块，解决了多模态融合阶段的特征错位问题，并提高了特征融合过程的效率	NA	提高低计数PET图像的质量，以实现更好的临床诊断	低计数脑PET图像	医学影像	NA	光流配准	CNN	图像	真实临床数据集及独立临床测试数据集
10287	2024-12-20	DDParcel: Deep Learning Anatomical Brain Parcellation From Diffusion MRI 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3331691 PMID:37943635	研究论文	本文介绍了一种名为DDParcel的深度学习方法，用于直接从扩散MRI数据中快速准确地进行大脑解剖区域的划分	DDParcel通过多层次融合网络直接从dMRI数据中进行大脑解剖区域的划分，无需依赖解剖MRI数据，提高了测试重测的可重复性和区域同质性	NA	开发一种新的深度学习方法，用于从扩散MRI数据中直接进行大脑解剖区域的划分	大脑的解剖区域划分	计算机视觉	NA	扩散MRI	多层次融合网络	图像	使用了Human Connectome Project的高质量数据进行训练，并在多种人群和dMRI采集协议上进行了验证
10288	2024-12-20	A Transformer-Based Knowledge Distillation Network for Cortical Cataract Grading 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3327274 PMID:37874703	研究论文	本文提出了一种基于Transformer的知识蒸馏网络TKD-Net，用于皮质性白内障分级	创新点包括设计了区域分解策略提取更精细的特征，引入特殊子评分考虑临床皮质混浊评估的关键因素，并开发了多模态混合注意力Transformer有效融合子评分和图像模态，同时设计了基于Transformer的知识蒸馏方法解决模态缺失和不确定数据问题	获取子评分模态在临床上是一个挑战，可能导致模态缺失问题	开发一种新的方法用于自动皮质性白内障分级	皮质性白内障的自动分级	计算机视觉	眼科疾病	Transformer	Transformer	图像	使用了由LOCS III分级系统标注的常用裂隙灯图像数据集
10289	2024-12-20	Probabilistic Brain Extraction in MR Images via Conditional Generative Adversarial Networks 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3327942 PMID:37883281	研究论文	本文提出了一种基于条件生成对抗网络（cGAN）的概率性脑提取算法，用于在MR图像中分割脑部区域	本文的创新点在于将脑提取任务重新定义为贝叶斯推理问题，并利用cGAN来解决这一问题，从而考虑了脑提取中的固有不确定性	NA	开发一种更准确和鲁棒的脑提取算法，并量化脑提取中的不确定性	MR图像中的脑部区域	计算机视觉	NA	条件生成对抗网络（cGAN）	cGAN	图像	来自五个数据集（NFBS、CC359、LPBA、IBSR及其组合）的头MR图像
10290	2024-12-20	Learning Spatio-Temporal Model of Disease Progression With NeuralODEs From Longitudinal Volumetric Data 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3330576 PMID:37934647	研究论文	本文开发了一种深度学习方法，通过处理单个医学扫描来模拟年龄相关疾病的进展，并提供未来时间点的目标解剖结构分割	本文利用NeuralODEs解决大规模时间像素级变化建模问题，并引入时间Dice损失来学习时间目标	NA	开发一种能够预测年龄相关疾病未来解剖变化的深度学习方法	年龄相关疾病的地理萎缩和阿尔茨海默病的脑室变化	机器学习	老年病	NeuralODEs	NeuralODEs	图像	967个视网膜OCT体积数据（100名地理萎缩患者）和2823个脑MRI体积数据（633名阿尔茨海默病患者）
10291	2024-12-20	Moving Beyond Simulation: Data-Driven Quantitative Photoacoustic Imaging Using Tissue-Mimicking Phantoms 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3331198 PMID:37938947	研究论文	本文介绍了一种使用组织模拟幻影数据进行数据驱动的定量光声成像方法	首次引入实验上经过良好表征的成像幻影及其数字双胞胎，通过在实验数据上训练U-Net模型，实现了对吸收系数的像素级估计	绝对定量误差仍然较高，需要进一步改进	旨在通过数据驱动的深度学习方法，克服光声成像中模拟与实验之间的领域差距，实现对光学吸收系数的准确测量	组织模拟幻影数据及其数字双胞胎，以及小鼠模型	计算机视觉	NA	光声成像	U-Net	图像	实验上经过良好表征的成像幻影数据集
10292	2024-12-20	Learning From Incorrectness: Active Learning With Negative Pre-Training and Curriculum Querying for Histological Tissue Classification 2024-02, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3313509 PMID:37682642	研究论文	本文提出了一种名为ICAL的主动学习框架，用于组织学组织分类，通过负预训练和课程查询来提高分类性能	ICAL框架引入了Incorrectness Negative Pre-training (INP) 和 Category-wise Curriculum Querying (CCQ)，分别从类别间和类别自身的角度解决分类问题，利用错误预测结果进行负预训练，并根据学习状态调整查询权重	NA	提高组织学组织分类的性能，减少标注成本	组织学组织分类	数字病理学	NA	主动学习	NA	图像	两个组织学组织分类数据集
10293	2024-12-20	Phase Aberration Correction for In Vivo Ultrasound Localization Microscopy Using a Spatiotemporal Complex-Valued Neural Network 2024-02, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3316995 PMID:37721883	研究论文	本文提出了一种基于时空复值卷积神经网络的深度学习方法，用于校正活体超声定位显微镜中的相位畸变	本文首次采用复值卷积神经网络（CV-CNN）来预测畸变函数，并通过3D时空卷积利用整个微泡轨迹，提高了网络的可解释性和校正效果	本文仅在老鼠大脑数据上进行了验证，未来需要在更多生物和临床数据上进行验证	开发一种新的方法来校正活体超声定位显微镜中的相位畸变，以提高图像分辨率和血管重建质量	老鼠大脑中的微血管网络	生物医学成像	NA	超声定位显微镜（ULM）	复值卷积神经网络（CV-CNN）	图像	3只老鼠大脑的活体数据
10294	2024-12-20	Deep Learning for Retrospective Motion Correction in MRI: A Comprehensive Review 2024-02, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3323215 PMID:37831582	综述	本文综述了深度学习在磁共振成像（MRI）中回顾性运动校正的应用	本文详细介绍了基于学习的MRI运动校正方法，并讨论了不同应用领域之间的差异和协同作用	由于MR采集序列、解剖结构、病理和运动模式的多样性，难以找到一个全面的解决方案	促进不同应用领域之间的思想交流，并讨论未来发展方向	MRI中的运动校正问题	计算机视觉	NA	深度学习	NA	图像	NA
10295	2024-12-20	NRTR: Neuron Reconstruction With Transformer From 3D Optical Microscopy Images 2024-02, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3323466 PMID:37847618	研究论文	本文提出了一种基于Transformer的神经元重建方法NRTR，用于从3D光学显微镜图像中进行端到端的神经元重建	NRTR是首个将神经元重建视为直接集合预测问题的图像到集合深度学习模型，抛弃了复杂的基于规则的组件，简化了整体框架并使模型训练更容易	NA	设计一种端到端的神经元重建方法，简化框架并使模型训练更容易	从3D光学显微镜图像中进行神经元重建	计算机视觉	NA	Transformer	Transformer	图像	使用了BigNeuron和VISoR-40数据集进行实验
10296	2024-12-20	Robust Vascular Segmentation for Raw Complex Images of Laser Speckle Contrast Based on Weakly Supervised Learning 2024-01, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3287200 PMID:37335795	研究论文	本文提出了一种基于弱监督学习的鲁棒方法，用于激光散斑对比成像（LSCI）原始复杂图像的血管分割	本文的创新点在于提出了一种基于弱监督学习的鲁棒方法，通过选择阈值组合和处理流程来替代耗时的标注工作，并设计了一种基于UNet++和ResNeXt的深度神经网络FURNet，实现了高质量的血管分割	NA	解决LSCI图像血管分割中的困难，推动人工智能辅助疾病诊断领域的应用	LSCI图像中的血管分割	计算机视觉	NA	弱监督学习	UNet++ 和 ResNeXt	图像	NA
10297	2024-12-20	DSMT-Net: Dual Self-Supervised Multi-Operator Transformation for Multi-Source Endoscopic Ultrasound Diagnosis 2024-01, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3289859 PMID:37368810	研究论文	本文提出了一种双自监督多操作符变换网络（DSMT-Net），用于多源内镜超声诊断，以提高胰腺癌和乳腺癌的诊断准确性	本文的创新点在于提出了双自监督多操作符变换网络（DSMT-Net），通过多操作符变换标准化提取感兴趣区域，并设计了基于transformer的双自监督网络，利用未标记的内镜超声图像进行预训练	本文的局限性在于未详细讨论模型的泛化能力和在其他癌症类型中的应用效果	本文的研究目的是提高多源内镜超声图像在胰腺癌和乳腺癌诊断中的准确性	本文的研究对象是胰腺癌和乳腺癌的内镜超声图像	机器学习	胰腺癌	深度学习	transformer	图像	包括3500张病理证实的标记内镜超声图像和8000张未标记的内镜超声图像
10298	2024-12-20	LViT: Language Meets Vision Transformer in Medical Image Segmentation 2024-01, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3291719 PMID:37399157	研究论文	本文提出了一种新的文本增强医学图像分割模型LViT，通过结合医学文本注释来弥补图像数据质量的不足，并在半监督学习中生成高质量的伪标签	提出了LViT模型，结合医学文本注释和视觉Transformer，以及Exponential Pseudo label Iteration机制和Pixel-Level Attention模块，用于半监督学习中的图像分割	需要构建多模态医学分割数据集，并且依赖于高质量的文本注释	提高医学图像分割模型的性能，特别是在数据标注成本高的情况下	医学图像分割任务	计算机视觉	NA	视觉Transformer	Transformer	图像和文本	三个多模态医学分割数据集，包含X射线和CT图像
10299	2024-12-20	Deep Generalized Learning Model for PET Image Reconstruction 2024-01, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3293836 PMID:37428658	研究论文	本文提出了一种深度学习与交替方向乘子法（ADMM）迭代优化模型相结合的学习框架，用于低计数正电子发射断层扫描（PET）图像重建	该方法创新性地打破了保真度算子的固有形式，并使用神经网络对其进行处理，同时深度泛化了正则化项	本文未充分探讨混合模型的全部松弛特性，导致其性能未被充分挖掘	提高低计数PET图像质量并恢复精细结构	低计数正电子发射断层扫描（PET）图像	计算机视觉	NA	深度学习（DL）	神经网络	图像	模拟数据和真实数据
10300	2024-12-20	Patient-Specific Heart Geometry Modeling for Solid Biomechanics Using Deep Learning 2024-01, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3294128 PMID:37432807	研究论文	本文提出了一种基于深度学习的患者特异性心脏几何模型自动生成方法，用于固体力学研究	本文的创新点在于使用最小化的表面网格标签实现精确的空间精度，并通过同时优化各向同性和各向异性变形能量来提高体积网格质量	NA	开发一种自动生成患者特异性心脏几何模型的方法，以加速生物力学研究	患者特异性心脏几何模型	固体力学	NA	深度学习	NA	几何模型	NA