Results 1 to 10 of about 4,288 (181)
[Research progress of deep learning applications in mass spectrometry imaging data analysis]. [PDF]
Se Pu质谱成像(MSI)是一种用于表征化合物空间分布特征的方法。随着采集方式的多样化发展和灵敏度等的不断提高,该方法产生的数据总量和分析复杂度呈指数增长,给数据后处理带来了诸多挑战。深度学习(DL)是一种在数据分析和图像识别中广泛应用的强大工具,对于质谱成像数据分析具有巨大潜力。本文综述了深度学习在质谱成像数据分析中的研究现状、应用进展和面临的挑战,重点涵盖数据预处理、图像重构、聚类分析和多模式融合4个核心阶段;还列举说明了深度学习与质谱成像技术相结合在肿瘤区域划分和亚型诊断等研究中的高效应用 ...
Huang DD, Liu XY, Xu GW.
europepmc +2 more sources
[Rapid identification and analysis of hemoglobin isoelectric focusing electrophoresis images based on deep learning]. [PDF]
Se Pu基于轮廓分析的传统条带检测算法步骤繁琐，并且需要校正算法来应对背景不均匀、泳道扭曲和条带变形等问题。为了避免校正算法在检测过程中给条带分析结果所带来的误差，本文提出了一种基于深度学习目标检测算法的凝胶电泳图谱条带快速识别方法，并将该方法应用于血红蛋白（Hb）等电聚焦（IEF）电泳图谱的分析中。将通过微阵列IEF（mIEF）电泳实验收集的1 665张Hb IEF电泳图谱作为训练数据集，结合YOLOv8模型进行训练。依据模型推理得到的条带边界框位置和分类结果，对条带区域的像素灰度强度进行加和 ...
Ji WC +6 more
europepmc +2 more sources
[Deep Learning Reconstruction Algorithm Combined With Smart Metal Artifact Reduction Technique Improves Image Quality of Upper Abdominal CT in Critically Ill Patients]. [PDF]
Sichuan Da Xue Xue Bao Yi Xue Ban目的 评估基于深度学习算法联合智能去除金属伪影技术（deep learning combined with smart metal artifact reduction, DLMAR）对无法举起手臂且需要心电监护的危重患者上腹部 CT 图像质量的影响。 方法 回顾性纳入无法举起手臂且需要心电监护的102例危重患者。对图像静脉期分别采用滤波反投影（filtered back projection, FBP）、迭代重建（iterative reconstruction, IR）、深度学习（deep ...
Pan Y +6 more
europepmc +2 more sources
[Identifying Novel Coronavirus Pneumonia With CT Images: A Deep Learning Approach With Detail Upsampling and Attention Guidance]. [PDF]
Sichuan Da Xue Xue Bao Yi Xue Ban目的 通过对细节信息的恢复并结合局部信息的挖掘，构建基于深度学习的目标检测方法以帮助放射科医生快速诊断新型冠状病毒感染导致的肺炎（novel coronavirus pneumonia, NCP）患者CT图像中的病灶。 方法 提出一种细节上采样和注意力引导的深度学习方法。该方法使用一种基于三双线插值的线性上采样算法来增强特征图在上采样过程中细节信息的恢复能力，并在特征提取模块中嵌入基于垂直和水平空间的视觉注意力机制以增强目标检测算法对NCP病灶关键信息的表征能力。 结果 在NCP数据集上的实验结果显示 ...
Chen J, Chen R, Qiu J, Yin J, Zhang L.
europepmc +2 more sources