微信链接：https://mp.weixin.qq.com/s?__biz=MzI1MzEzNjgxMQ==&mid=2650057850&idx=

1&sn=74525827c1ccb14f72a5a12e802afc82&chksm=f1d916bec6ae9fa817cb7c737fc9c87b

b2b0d7e131ee284cc463a851edb11ebd5ae7e214bc53&token=1290139342&lang=zh_CN#rd

期刊链接：https://www.mdpi.com/journal/applsci

引 言

随着机器学习技术的广泛应用，由于深度学习在自动特征学习与函数模拟构建方面的优势，使其成为了一个新兴分支。本期编辑荐读Applied Sciences期刊编辑部为您精选深度学习在生物医学领域的应用，内容涵盖生物信息学、医学图像识别、病症预测、临床辅助决策和药物开发等，与读者分享相关领域的研究进展，希望为相关领域的学者提供新的思路和参考，欢迎阅读。

1.Deep Learning System for COVID-19 Diagnosis Aid Using X-ray Pulmonary Images

一种使用深度学习的用于X 射线肺炎肺部影像的辅助诊断系统

Javier Civit-Masot et al.

https://doi.org/10.3390/app10134640

x射线图像分类结果。

文章亮点：

(1) 分析了基于 VGG-16 的深度学习模型对使用肺部X光片进行肺炎和COVID-19识别的有效性。

(2) VGG-16识别COVID-19的效率高达 (约) 100％，并且具有高度的特异性。

(3) VGG-16系统具有重要的应用价值，可以推动疫情医学影像技术的应用普及。

2.Deep Learning-Based Methods for Prostate Segmentation in Magnetic Resonance Imaging

基于深度学习的核磁共振成像前列腺分割方法

Albert Comelli et al.

https://doi.org/10.3390/app11020782

本文提出的分割方法的工作流程。

文章亮点:

(1) 提出了三种深度学习方法，分别是UNet，高效神经网络 (ENet) 和高效残差分解卷积网络 (ERFNet)。

(2) 实验发现ENet和UNet比ERFNet更准确，ENet比UNet速度更快，可提高MRI前列腺分割效率与实现实现精确分割。

(3) 即使在小型图像训练中，Enet也能够适用于临床的前列腺图像分割任务，在个性化患者管理具有良好的发展前景。

3.COVID-XNet: A Custom Deep Learning System to Diagnose and Locate COVID-19 in Chest X-ray Images

用于在胸部 X 射线图像中诊断和定位 COVID-19的自定义深度学习系统

Lourdes Duran-Lopez et al.

https://doi.org/10.3390/app10165683

描述为数据集获取最终图像的不同步骤的预处理流程图。COVID-19 A和B分别对应于bimcv-covid和Cohen文献中采集的COVID-19图像数据。

文章亮点:

(1) 提出了一种新的基于深度学习的系统COVID-XNet，用于胸部X射线图像的诊断，对输入图像执行预处理，以减少可变性和增强对比度。

(2) 将COVID-19和正常病例进行分类，并以Class Activation Maps呈现可视化结果。

(3) COVID-XNet有希望应用并为对抗COVID-19诊断做出贡献，推动疫情医学影像技术的应用发展与普及。

4.X-Ray Bone Fracture Classification Using Deep Learning: A Baseline for Designing a Reliable Approach

使用深度学习的 X 射线骨折分类：设计可靠方法的基准

Leonardo Tanzi et al.

https://doi.org/10.3390/app10041507

研究雷达图。

文章亮点:

(1) 分析和评估一系列论文，根据不同的深度学习技术对骨折进行分类的应用，以选择每篇论文的优点并试图划定一个广义的策略。

(2) 研究均采用6个数值的雷达图进行总结和评价：曲线下面积 (AUC)、测试准确度、灵敏度、特异度、数据集大小和标签可靠性。

(3) 合理地确定一个计算机辅助诊断 (CAD) 系统可节省大量时间并减少误诊的次数。

5.Detection of Cardiac Structural Abnormalities in Fetal Ultrasound Videos Using Deep Learning

使用深度学习检测胎儿超声视频中的心脏结构异常

Masaaki Komatsu et al.

https://doi.org/10.3390/app11010371

(a) 正常病例，(b) 法洛四联症 (TOF) 病例。纵轴表示所选的18个子结构，横轴表示向右的检查时间轴。检测良好并显示为蓝色条，未检测并显示为灰色条。

文章亮点:

(1) 提出了一种基于卷积神经网络 (CNN) 的仅普通数据监督对象检测 (SONO) 的体系结构。

(2) 成功用以评估先天性心脏病胎儿超声视频的心脏亚结构和心脏结构性缺损，实现了对胎儿心脏亚结构的自动检测。

(3) 可视化时间线实现了心脏结构异常展示，为临床特征提供信息，并有望推动“可解释AI”的发展。

Applied Sciences 期刊介绍

主编：Takayoshi Kobayashi, The University of Electro-Communications, Japan

期刊主题涵盖应用物理学、应用化学、工程、环境和地球科学以及应用生物学的各个方面。截止目前被SCIE、Scopus等多种数据库收录，JCR分区在多学科工程以及应用物理领域都在Q2。

2020 Impact Factor：2.679

2020 CiteScore：3.0

Time to First Decision：16 Days

Time to Publication：37 Days