利用基于放射学特征的关键点检测方法，本研究证明了在图神经网络中的关键点在改进配准过程中的解剖学意义，并展示了图神经网络在图像匹配方面的卓越性能，为拓展图神经网络在图像分类、分割和配准等多个应用领域铺平了道路。
Nov, 2023
KeyMorph 是一种基于深度学习的图像配准框架，其利用检测到的对应关键点获取最佳变形，以及解决了目前图像配准中的一些问题。该框架在多模式脑 MRI 扫描的 3D 仿射和样条配准中展现出了超越当前最先进方法的准确性。
Apr, 2023
该研究提出了一种名为 Click-Pose 的端到端神经交互式关键点检测框架，相比于仅使用手动标注，能够大大降低 2D 关键点注释的标注成本，并探索用户反馈如何与神经关键点检测器合作，在交互方式下更快、更有效地修正预测的关键点。
Aug, 2023
通过计算机视觉方法和深度神经网络，本文提出了一种能够解决个体组件识别、关键点检测和行为分析的系统，并且不受对象遮挡的影响，从而摆脱了对实验室动物手动标注的需求。
May, 2024
本研究提出了一种基于深度学习的系统，可以自动从一份放射学报告中检测出 14 个关键点，并测量 3 种解剖角度，从而对髋关节发育不良（DDH）的疾病等级进行分类。通过提出的打分系统，本研究可以为骨科医生提供可靠且可解释的临床决策支持。
Sep, 2022
用快速的自下而上的方法，结合图形中心性度量对人类或物体上的 100 多个关键点进行检测，为硬件和人物建模，量化关键点的独立性，将训练权重分配给不同部位的姿势。经实验证明该方法优于以往的所有人体姿势估计方法，而且具有很好的泛化性能。
Oct, 2021
使用基于深度学习的方法，该研究发展和评估了一种自动化头影测量标注方法。该方法在三维面部立体摄影中实现了自动的标注，能够精确和一致地标记关键点，可用于大数据集的定量分析，诊断，随访和虚拟手术规划。
Sep, 2023
使用深度学习的新方法，能够实时准确地分割全膝关节置换手术图像，并取得了卓越的性能，为进一步的应用提供了可能。
Jan, 2024
介绍了 KeypointNet：第一个大规模、多样化的 3D 关键点数据集，它包含来自 16 个对象类别的 103,450 个关键点和 8,234 个 3D 模型，通过利用大量的人类注释。为了处理来自不同人员的注释之间的不一致性，通过最小化保真度损失，我们提出了一种聚合这些关键点的新方法。最终，在我们提出的数据集上对十种最先进的方法进行了基准测试。
Feb, 2020
病理检测和描述能够自动解释医学扫描，如胸部 X 线片，同时提供高水平的可解释性，以支持放射科医生做出明智决策。