三维患者特异性肌骨区建模与表征
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
本研究基于三维数值方案,比较了经典的演化模型、三维测地线模型和其一阶修改方案在低剂量 X 射线计算机断层扫描图像中用于腰肌分割的性能,结果表明这些基于梯度的方案相对于手动分割具有可靠性,而一阶方案所需的计算负担明显小于二阶方法。
Dec, 2023
提出了一种基于物理和机器学习的框架,采用扩散加权 MRI 对骨骼肌进行非侵入性评估,从而准确地估计微结构组织。该算法可用于评估骨骼肌健康和功能,有望成为一种有前途的非侵入性工具。
Jun, 2023
通过点云概率深度学习方法对被遮挡的解剖结构进行 3D 形状完整性补全,并应用于基于超声波的脊柱检查,结果表明该方法在合成数据和实际患者数据上表现一致,保留了重要解剖标志和正确位置的关键注射点。
Apr, 2024
本研究提出了一种新的神经网络架构,用于对 3D 人类上肢骨骼系统模型进行全面的可视化。利用深度学习模型实现了实时可视化,使得连续力学模拟在视觉实时应用中变得可行。
Dec, 2023
介绍了一种基于三维脊柱模型的新型全自动测量脊椎形态的方法,实验结果表明该方法能够准确测量低分辨率患者特定的脊椎网格,平均绝对误差为 1.09 毫米,以及通过人工创建的腰椎脊柱,平均绝对误差值为 0.7 毫米,我们的定性分析表明,使用我们的方法在三维脊柱模型上获得的测量结果可以准确地重新投影到原始医学图像上,如果这些图像是可用的。
Feb, 2024
该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法,用于预测关节运动和肌肉力量,并证明该方法能有效地识别个体特定的肌骨生理参数,并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。
Sep, 2023
本研究使用手腕和手腕 X 光图像进行骨质疏松症预测,为增加筛查率而不增加成本或时间提供了一种新的方法。通过图像分割和自监督学习,本方法实现了对骨质疏松症的有效分类,为从外周骨骼部位利用视觉技术进行骨质疏松症识别的先导性工作。
Nov, 2023
本研究通过使用半自动分割算法来增强个体化膝关节有限元(FE)建模,结果表明该分割算法能够有效地创建准确的膝关节有限元模型。
Sep, 2023