深度学习模型在 2D-3D 骨形重建方面进行了比较，提出了一个评估框架，并发现基于注意力的方法在各种解剖学和数据集方面表现更好，注意到需要对临床相关参数进行细分报告，同时对肋骨的重建相对于股骨、髋部和脊柱更具挑战性，并不是所有情况下 Dice 分数的提高都能带来相应的临床参数自动估计的改进。

Sep, 2023

本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

Oct, 2017

这篇论文提出了一种新的框架，学习如何从身体表面预测人体解剖结构，并生成合成的 X 射线图像，从而克服医学领域中训练数据障碍，同时该框架也可用于图像修复和异常检测。

May, 2018

提出了一种新的神经网络训练框架，可以在只有 2D 注释的情况下学习非刚性物体的 3D 信息，该框架通过自动确定适当的旋转解决了非刚性结构运动估计中同时估计旋转和变形的难点，使用损失函数进行训练后，网络可以学习人类骨架和面孔等对象的 3D 结构，在测试过程中可以处理带有丢失入口的输入，实验证明该框架表现优异，即使底层网络结构非常简单，在 Human 3.6M、300-VW 和 SURREAL 数据集上均优于现有最先进的方法。

Jul, 2020

该研究提出了利用骨骼 X 射线与法语报告的视觉语言预训练来解决骨 X 射线影像学的下游任务。提出了一个实用的处理流程来对法国医学报告进行匿名化和处理。预训练包括来自深度模型编码器的视觉和文本嵌入空间的自我监督对齐。结果的图像编码器用于处理各种下游任务，包括骨关节炎的量化、儿童手腕骨龄的估计、骨折和异常检测。与需要大量人工专家注释的替代方法相比，我们的方法在下游任务上表现出竞争性能。我们的工作是第一项将法国报告整合到用于骨 X 射线表示的嵌入空间的研究，利用了医院中大量的成对图像和报告数据，以在特定语境中依赖通用视觉语言深度模型，为更广泛的医疗应用部署视觉模型作出贡献。

May, 2024

本文介绍了一种通过迭代训练深度神经网络，采用内部指导层优化脊柱 X 光图像的方法，在准确识别物体边界的同时提高图像质量，从而显著提高 X 光成像技术的诊断准确性和疾病早期检测能力。

Jun, 2023

提出了一种被称为 MSKdeX 的算法，可以通过肌肉骨骼分解库，将 X 射线图像分解为肌肉 CT 图像的投影并估算肌肉性质参数，该方法在 539 个患者的数据集上测试表现良好（平均皮尔森相关系数从 0.46 提高到 0.863），对于肌肉骨骼疾病的诊断有很大的应用前景。

May, 2023

本文提出了一种有效的骨密度估计方法，通过对限定数据集进行骨分割 QCT 的分解投影学习，实现了高准确性的骨密度估计，适用于机会性筛查和早期诊断。

Jul, 2023

提出了一种使用深度神经网络的自动医学影像识别方法，通过用户交互式系统可以检测和修正医学影像中的解剖关键点，达到减少人工修订成本的目的。

Sep, 2022

我们开发了一种自动深度学习系统，可以从前面的骨盆 X 光片中检测髋骨骨折，它可以应用于临床数据，并演示了类似于人类放射科医师的诊断性能，将 ROC 曲线下面积达到 0.994。该系统有望提高诊断效率，减少昂贵的额外检查，扩大专家级医学图像解释的接入，改善患者整体效果。

Nov, 2017