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

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

使用深度学习模型对 17,587 个 X 光片进行训练，研究了骨折的影像学特征、患者特征和医院过程特征对其影响，发现这些因素是计算机辅助诊断算法预测的主要来源，表明应该进一步研究深度学习决策过程以有效协作。

Nov, 2018

通过利用深度学习模型，开发了一种从 CT 图像中自动评估髋关节骨关节炎（髋关节 OA）严重程度的方法，模型表现出较高准确度，促进了大规模 CT 数据库中的自动评级，并为进一步疾病发展分析提供了潜力。

Dec, 2023

提出了一个针对 X 光诊断中骨盆和髋部骨折的两阶段方法，首先使用深度全卷积网络在训练数据中挖掘出可能的真实阳性和确定的硬阴性感兴趣区域，其次使用挖掘出的感兴趣区域训练一个更加一般化的模型来执行局部分析以对骨折进行分类。在 23 位受试者中的初步读者研究中，该方法表现出与人类医师 (甚至胜过急诊医生和外科医生) 不相上下的性能。

Sep, 2019

本研究探讨了使用深度学习方法从 X 线图像中估计股骨头 - 颈 - 干（CCD）角度的应用。该 CCD 角度在髋关节问题的诊断中是一个重要测量指标，正确的预测可以帮助手术规划。相比之下，手动测量这个角度可能非常耗时，并且容易受到观察者的差异性影响。本文提出了一个能够可靠估计股骨 CCD 角度的深度学习算法，并使用带有相关角度测量的 X 射线图像数据集来训练和测试模型的性能。此外，我们建立了一个原型来展示预测结果，并允许用户与预测结果进行交互。由于这一过程发生在手术过程的无菌环境中，我们还扩展了界面以允许通过语音命令使用。实验结果表明我们的深度学习模型能够以很高的准确度预测 X 射线图像中的股骨 CCD 角度，在测试数据集上左股骨的平均绝对误差为 4.3 度，右股骨为 4.9 度。我们的结果表明深度学习具有潜力成为预测股骨 CCD 角度更高效准确的技术，对髋关节问题的诊断和管理可能产生重大的治疗意义。

Apr, 2024

本研究提出一种基于深度孪生卷积神经网络的新透明计算机辅助诊断方法，根据 Kellgren-Lawrence 分级标准自动评分膝骨关节炎病情，并报告了该方法验证的结果和关键的放射学特征。

Oct, 2017

本研究开发和验证了一组深度学习算法，用于自动检测无对比剂头颅 CT 扫描的关键发现：颅内出血（ICH）及其类型，脑内实质（IPH），脑室内（IVH），硬膜下（SDH），硬脑膜外 (EDH) 和蛛网膜下 (SAH)，骨盖骨折，中线移位和占位效应，AUCs 测评结果显示算法的识别准确率达到了很高的水平。

Mar, 2018

该研究提出了一种综合目标检测和卷积神经网络与注意力的两阶段方法，可以高效准确地预测 RA 患者手脚关节的总体和关节水平的狭窄和侵蚀疾病损害，该方法已在 RA2 Dream Challenge 中排名第四和第八位，并取得了显著结果。

Feb, 2021

结合 Struts 和 Hibernate 两种架构，使用 DAO（数据访问对象）来存储和访问数据。建立了一套适用于深度网络的双模湿度医学图像库，并提出了一种基于图像的双模医学图像辅助诊断方法。该方法在各种特征提取方法的测试中，最佳工作特性下曲线积分（AUROC）为 0.9985，召回率为 0.9814，准确率为 0.9833。这种方法可以应用于临床诊断，是一种实用的方法。通过系统，每个门诊医生可以快速注册或登录平台进行图像上传，从而获得更准确的图像。图像的分割可以指导临床科室中的医生，然后分析图像以确定肿瘤的位置和性质，从而进行有针对性的治疗。

Apr, 2024