学习将骨分段计算机断层投影分解为普通 X 射线图像中的骨密度估计
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
提出了一种新颖的骨像素分布统计模型和基于 CT 图像中骨像素的密度测量方法,研究发现骨密度在成年期的 39 至 80 岁之间呈线性下降,女性下降速度大约是男性的 1.6 倍,与广泛接受的骨密度女性在更年期开始下降、男性在大约 50 岁开始下降的观点相矛盾,推测世界卫生组织对骨质疏松症的定义应进行修订为与年龄相关的骨密度标准差,为骨健康护理和临床骨质疏松症研究开辟了新研究方向。
Aug, 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
该论文提出了一种新的骨抑制框架,称为 BS-Diff,该框架采用条件扩散模型和 U-Net 架构,利用自编码器进行增强,能够生成高骨抑制率的软组织图像,并能够捕捉细微的图像细节,经过广泛的实验、比较分析、消融研究和临床评估,该模型在多个指标上优于其他骨抑制模型。
Nov, 2023
本文提出了一种基于深度学习的方法,可以从一对二维 X 射线图像中估计骨头的三维结构,并且相较于八种其他的三维骨重建方法,预测精度更高。同时,该神经网络可以根据 X 射线图像确定骨头的身份,具有 100%的准确性,为鉴定和识别骨头提供了一种基于图像内容的更快速的方式。
Jan, 2020
开发了一种自动检测 CT 体积中骨病变(溶骨性、硬化性和混合性)的方法,通过代理分割任务使用 2D 切片生成弱 3D 分割掩模,然后使用训练好的 3D 全分辨率 nnUNet 模型进行分割和检测,实现了 96.7%的精确度和 47.3%的召回率。
Jan, 2024
该研究论文提出了一种名为 End-to-End Material Decomposition(E2E-DEcomp)的深度学习方法,可将 CT 投影数据直接转换为材料图像,无需基于能量的图像进行训练。该方法在 AAPM 光谱 CT 数据集上展示了其与现有监督深度学习网络相比的有效性。
Jun, 2024
我们提出了一种用于 CT 断裂骨髓分割的跨尺度注意机制和表面监督策略,该方法在公开数据集上实现了 93.36%的 Dice 相似系数、0.85mm 的 ASSD 和 7.51mm 的 95HD,为骨盆 CT 检查提供了一种有效的骨折分割方法,具有改善其他类型骨折分割性能的潜力。
May, 2024
通过使用卷积神经网络(CNN)从髋部 DXA 图像中提取特征,并结合临床变量、形态测量和纹理特征,我们提出了一种新颖的分段模型,用于评估老年人和中年人髋部骨折风险。该分段模型通过将集合模型 1(仅临床变量)的不确定性加入决策流程,以确定是否需要进一步预测 DXA 特征,而集合模型 2(临床变量和 DXA 成像特征)的表现最佳,实现了 AUC 为 0.9541,准确率为 0.9195,敏感性为 0.8078,特异性为 0.9427。此外,该分段模型建议 54.49% 的患者不需要进行 DXA 扫描,既提高了准确性又降低了费用与辐射。
May, 2024