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

针对侧面头颅 X 射线图片的颅测定点检测在特定牙科疾病诊断中起着关键作用，通过以多个分辨率作为输入整合多种感受野的图像金字塔结构来训练一系列具有不同感受野的模型，其对不同的定点具有不同的检测准确率影响。此外，我们还采用了多种数据增强技术来增强模型在不同设备和测量选择方面的鲁棒性。我们将这种方法应用于 2023 年侧面头颅 X 射线图像颅测定点检测挑战中，在最终测试阶段实现了 1.62 mm 的平均径向误差（MRE）和 74.18% 的成功检测率（SDR）。

Oct, 2023

本文提出了一种名为 Pelphix 的新方法，用于将 X 射线高度合成图像序列建模，以在四个不同细化级别上对手术阶段进行分类。这种方法证明了 X 射线的 SPR 的可行性，它对骨科手术、血管造影和介入放射学等过程都有益。

Apr, 2023

本文通过提出基于注意力机制、特征金字塔融合和逐像素回归投票等的深度学习框架，在头影测量图像的解剖标志点自动定位方面显著提高了检测精度，并展示了其在不同设备上的泛化能力和稳定性。

Aug, 2019

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

通过研究人体姿势估计（HPE）和头颅测量检测（CLD）之间的相似性，本文提出一种可靠的用于头颅测量检测性能改进的基准方法，并通过引入超分辨率模块和量化偏差的减少以进一步提升性能，在 MICCAI CLDetection2023 挑战中取得了显著的成绩。

Sep, 2023

为了在腹腔镜肝脏手术中提供直观指导信息，本文提出了一种基于深度驱动几何提示学习网络的方法（D2GPLand），该方法结合二维 - 三维融合技术，在 L3D 数据集上取得了最新的性能，具有 63.52％的 DICE 和 48.68％的 IoU 得分。

Jun, 2024

本文提出一种新的骨盆前突破检测方法，基于对称性分析、空间转换层和 Siamese 网络，通过对像素信息进行深度学习优化，成功提高了诊断准确率。

Jul, 2020

本文提出了一种有效的骨密度估计方法，通过对限定数据集进行骨分割 QCT 的分解投影学习，实现了高准确性的骨密度估计，适用于机会性筛查和早期诊断。

Jul, 2023

本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

Apr, 2020