本研究旨在开发一种新的计算方法，通过基于解剖学的联合区提案和方向梯度直方图的评估及其预先训练的支持向量机分类器的得分来自动定位关节区域，提高膝关节放射成像的客观性，结果表明该方法适用于大规模分析。

Jan, 2017

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

本研究使用多任务深度学习模型，同时定位X射线图像上的关节并诊断狭窄和侵蚀两种关节损伤。该模型使用经过修改的标签平滑方法，将分类和回归提示合并为单一损失，相对标准损失函数减少了5%的误差。该研究在全球RA2 DREAM挑战赛中，关节狭窄排名第四，关节侵蚀排名第五。

Apr, 2021

本研究提出了一种基于深度学习和注意力机制的框架，利用七年的影像数据预测髌股关节骨关节炎的放射性进展，包括1832名患者（3276个膝部），使用自动化工具（BoneFinder）骨龄确定方法识别PF关节区域，并使用5倍交叉验证的端到端DL模型，结合临床变量，论证了ML模型在PFOA预测中的潜力和未来应用前景。

May, 2023

CartiMorph是一个自动化膝关节软骨形态测量的框架，通过深度学习模型生成膝关节软骨亚区域的定量指标，包括全厚度软骨丢失百分比（FCL）、平均厚度、表面积和体积。

Aug, 2023

一种使用UNET方法在R4RA多中心临床数据集上训练的自动组织分割算法，可用于IHC染色的滑片图像分析流程的第一步，提高速度、可重复性和稳健性。

Sep, 2023

在这项研究中，我们训练了一个CycleGAN模型，能够将真实射线片转化为不同的骨关节炎阶段，通过欺骗一个卷积神经网络在转化后的图像中错误分类疾病阶段，证明了CycleGAN有效地在时间上向前或向后转化疾病特征。该模型在合成未来疾病状态方面特别有效，并且通过消除骨赘和扩大膝关节间隙，在回溯性地将晚期射线片转化为早期阶段方面表现出优异的能力，这是没有或可疑骨关节炎的特征。模型的结果显示了在诊断模型、数据增强、医疗教育和预后使用方面的潜在改进能力，但进一步改进、验证和广泛的评估过程，包括基于卷积神经网络的评估和专业医学反馈，对未来的研究和开发非常重要。

Nov, 2023

我们开发了一个定制的自动化流程，可以预测手部X光片中的van der Heijde修正的Sharp评分和类风湿关节炎的严重程度，而无需首先定位关节。

Jun, 2024

本研究针对膝关节骨关节炎（KOA）缺乏合成时间序列X光图像的方法这一问题，提出了一种新颖的深度学习模型，可在特定患者的健康膝关节与严重KOA阶段之间合成中间X光图像。通过改进去噪扩散概率模型，该模型能够生成不同严重程度的KOA X光图像，显著提高了时间帧合成性能，从而为分类模型提供了数据扩增，并有效模拟KOA的进展。

Aug, 2024

本研究解决了膝关节软骨成像特征作为膝关节骨关节炎潜在成像生物标志物的提取问题。我们提出了一种基于深度学习的医疗图像分析工具CartiMorph Toolbox（CMT），并开发了一种两阶段的联合模板学习和配准网络CMT-reg，展现了与其他先进模型竞争的效果，为软骨形状和病变的自动量化提供了一种全面且用户友好的解决方案。

Sep, 2024