Une liste organisée d'articles sur le deep learning pour l'analyse d'images médicales, classés par technique et modalité.
Index de littérature organisé pour les chercheurs travaillant sur l'analyse d'images médicales et l'informatique de santé.
Ce dépôt fournit une bibliographie structurée d'articles évalués par des pairs sur le deep learning appliqué au domaine médical, publiés depuis 2015. Il est conçu pour les chercheurs et les ingénieurs souhaitant naviguer dans la littérature à travers des techniques telles que les CNN et les RNN.
Le dépôt classe systématiquement les articles de premier plan issus de conférences et de revues telles que MICCAI, IEEE-TMI et MedIA. Chaque entrée est étiquetée avec sa technique de deep learning, sa modalité d'imagerie, son domaine d'intérêt, sa base de données clinique et sa source de publication.
Il convient aux chercheurs en IA et aux étudiants diplômés qui débutent dans le domaine de l'imagerie médicale et ont besoin d'un point de départ filtré pour leurs revues de littérature. Il ne convient pas aux cliniciens recherchant un logiciel de point de soins ni aux développeurs cherchant du code de modèle prêt pour la production.
Les articles sont catégorisés par architectures de réseaux de neurones, notamment les CNN, FCN et autoencoders.
Les études sont indexées par types d'imagerie tels que l'IRM, le CT, l'échographie et l'histologie H&E.
Les entrées renvoient à des jeux de données standard tels que LIDC-IDRI, ADNI et AMIDA le cas échéant.
Comprend les revues et conférences sources avec les années de publication à partir de 2015.
Gratuit sous sa licence, sans option hébergée payante puisqu'il s'agit d'un dépôt de documentation statique.
877 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Non, il s'agit d'une collection organisée d'articles de recherche et de métadonnées, et non d'une base de code exécutable.
Les articles sont collectés à partir de revues évaluées par des pairs et de conférences à haute réputation publiées depuis 2015.
Oui, les contributions via des pull requests pour ajouter de nouvelle littérature répondant aux critères sont les bienvenues.
Voir Zekai en premier dans Google