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，希望为医工融合领域的学者提供新的思路和参考。

1、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

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、基于深度学习的核磁共振成像前列腺分割方法

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)。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、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

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。

4、使用深度学习的 X 射线骨折分类：设计可靠方法的基准

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。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、使用深度学习检测胎儿超声视频中的心脏结构异常

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。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。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。

来源：MDPI 开放数字出版