提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战，通过顺序执行椎骨定位、分割和识别的任务，有效利用椎骨的解剖先验信息，并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题，并进一步优化识别结果。

Jan, 2024

本文提出了一种多视角 CT 图像下的脊椎定位和识别方法，将三维问题转化为不同视图上的二维定位和识别任务，通过多视角对比学习和序列损失，能够准确地在 CT 图像中定位和识别脊椎，且超过了现有方法的表现。

Jul, 2023

实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。

Feb, 2024

通过引入一种新的数据增强技术，本研究旨在自动化脊柱肿瘤的分割和定位，利用医学影像中专家绘制的预定义掩模，结合模糊 c 均值聚类和随机森林算法的融合，实现了成功的脊柱肿瘤分割和分类，同时使用 3D 椎体分割和标注技术精确定位了腰椎肿瘤的确切位置。该方法表现出卓越的性能，获得了 99% 的肿瘤分割准确率、98% 的肿瘤分类准确率和 99% 的肿瘤定位准确率，超过了现有最先进技术的有效性，改进了脊柱肿瘤的检测和表征诊断能力，从而促进了更有效的临床决策。

May, 2024

本文提出了一种全自动的端到端三维椎体实例分割卷积神经网络模型 VertDetect，用于预测 CT 扫描中存在的所有椎体的椎体级别标签和分割，并通过使用脊柱的已知结构改善了椎体标注，取得了端到端架构的最先进性能，其设计可用于下游任务的特征提取。

Nov, 2023

用于 CT 扫描的自动椎骨定位和识别对于许多临床应用很重要，本论文提出了一种简单的流程，使用 U-Net 进行标准预测，然后使用单个图神经网络来关联和分类具有完整方向的椎骨，并通过引入包含骨体关联的脊柱枢等标记来测试我们的方法，展示了我们的方法优于匈牙利匹配和隐马尔可夫模型的传统方法，在标准 VerSe 挑战的骨体识别任务上也表现出有竞争力的性能。

Jul, 2023

采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

Nov, 2017

使用形状自编码器和自动化的多标签分割方法，本研究探讨了骨质疏松性骨折的及时诊断，以及通过学习形状特征来改善骨骼退行性畸形的可靠性和减少标注的需求。

Dec, 2023

本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

Jul, 2018

基于改进的注意力 U-Net 架构的增强方法用于腰椎 3D 切片 MRI 数据的全景分割来实现 99.5% 的准确率

Apr, 2024