使用自监督遮蔽自编码器解决颅骨缺陷的问题，通过对比先进的深度神经网络，在 SkullBreak 和 SkullFix 数据集上展示了定量和定性的改进，实现实时有效重建颅骨缺陷。

Apr, 2024

每年有数千人遭受不同类型的颅骨损伤，需要费时费力的手动设计个性化植入物。因此，迫切需要一种自动化、专用的系统来增加个性化颅骨重建的可用性。我们提出了一种基于迭代的变换器方法，将问题重新定义为点云完成任务，使其能够以任何分辨率快速高效地重建颅骨缺陷，同时在训练和推断过程中节省 GPU 内存，并与最先进的容积方法相比，表现出更优秀的性能和高质量的缺陷重建。

Aug, 2023

模拟和制造个性化颅骨植入物是可以缩短患有颅骨损伤患者等待时间的重要研究领域。个性化植入物的建模可以通过深度学习方法部分自动化，然而，该任务在使用以前未见过的数据分布时难以泛化，难以在实际临床环境中使用研究成果。鉴于获取地面真实注释的困难，必须考虑和引入不同的技术来改善用于训练深度网络的数据集的异质性。在这项工作中，我们对几种数据增强技术进行了大规模研究，包括经典的几何转换、图像配准、变分自动编码器、生成对抗网络以及最新的潜在扩散模型。我们表明，大量数据增强的使用显著增加了定量和定性结果，使得 SkullBreak 数据集的平均 Dice 分数超过 0.94，SkullFix 数据集的平均 Dice 分数超过 0.96。此外，我们展示了合成增强网络成功重建真实临床缺陷。这项工作对于人工智能在个性化颅骨植入物的自动建模领域做出了重要贡献。

Jun, 2024

利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法，既能捕捉形态的人群统计特征，又能减少推理负担和放松输入要求，这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。

May, 2023

利用深度学习技术生成合成颅骨数据以改善自动设计个性化颅骨植入物的过程。

Aug, 2023

MASSM 是一种新的端到端深度学习框架，能够同时在图像中定位多个解剖结构，估计群体级别的统计表示，并勾画出每个解剖结构。

Mar, 2024

通过分析解剖结构的形态来研究生理学，统计形态建模是一种用于定量解析解剖结构形态差异的工具。然而，传统的形态建模方法复杂耗时，线性假设限制了模型的应用范围。最新的深度学习技术能够直接从未分割的医学影像中推断统计形态模型，简化了流程并提升了可用性。然而，现有的图像建模方法在数据质量较差或仅有稀疏信息的情况下不足够有效。因此，我们提出了 SPI-CorrNet，一种从稀疏影像数据中预测三维对应关系的统一模型。通过引入教师网络进行特征学习和适应输入方差预测来量化数据相关的不确定性。实验结果表明，我们的技术提高了稀疏图像驱动的统计形态建模的准确性和稳健性。

Jul, 2024

Mesh2SSM 是一种新的方法，它利用无监督的、置换不变的表示学习来估计如何将模板点云变形为特定主体的网格，并形成一个基于对应关系的形状模型。该方法可以直接对网格进行操作，且计算效率高，是传统的基于深度学习的 SSM 方法的有吸引力的替代方法。

May, 2023

本文介绍了一种基于卷积神经网络的计算机辅助颅骨骨折分类专家系统，使用 ResNet50 和梯度提升决策树机器学习算法将 CT 扫描中某三类颅骨骨折分类，可以实现 96% 的 F1 值，95% 的汉明分值，94% 的平衡准确度分值和 96% 的 ROC 曲线。

Aug, 2022

通过点云监督，提出了一种弱监督的深度学习方法来预测统计形态模型的构造，从而提高模型的训练可行性。

May, 2024