通过改进的生物先验条件，我们提出了一种基于 Transformer 的分割模型，能够通过条件机制更好地提取形态多样的信息，从而使单个模型能够准确预测多个年龄组的软骨。实验证明，与其他竞争性分割模型相比，我们的新模型在小鼠软骨数据集上表现出更高的优越性。进一步研究表明，我们的模型在另一个具有不同突变的小鼠软骨数据集上具有良好的泛化能力，并有效捕捉基于年龄的软骨形态模式。

Feb, 2024

该研究提出了 CortexMorph 方法，该方法利用无监督深度学习直接回归 DiReCT 所需的变形场，结合深度学习的分割模型，可以在几秒钟内从 T1 加权图像中估计区域厚度，同时保持检测皮层萎缩的能力。

Jul, 2023

利用骨骼形态学分析研究膝关节骨性关节炎疼痛条件的性质，对 6 种语义分割算法进行评估，发现髂骨形态在疼痛加重时会发生显著变化，疼痛缓解时骨形状改变不明显。基于 few-shot learning 的算法 UniverSeg 在髂骨和胫骨的分割中表现出优异的结果，而零样本学习的算法 CP-SAM 对膝关节骨性关节炎疼痛条件的分类准确率达到了 66%。鉴于这些发现，few-shot learning 在语义分割中的有效性以及零样本学习在膝关节骨性关节炎诊断模型的改进潜力得到了强调。

Mar, 2024

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

通过深度学习算法的自动形态测量，该研究支持使用自动形态测量作为一种预后测试，以克服估计和手动测量的限制。

Sep, 2023

该研究提出了一种名为 Multi-Resolution Attentive-Unet (MtRA-Unet) 的自动分割方法，用于 Knee Osteoarthritis 的快速诊断，并通过对磁共振成像 (MRI) 进行分割，得到了优秀的分割效果。

Jan, 2024

利用基于图的非刚性配准将计划的路径从通用图谱准确地映射到个体患者，尤其对于具有高声阻抗骨结构的胸部应用。结果表明，该方法能够在有限的肋间空格内有效地将 CT 到当前设置的轨迹映射为超声成像视图。

Jul, 2023

通过基于骨骼图的非刚性配准方法，利用皮下骨表面特征代替皮肤表面实现自动化超声波（US）扫描，为解决常规 US 检查中的人为误差提供了可能，验证结果表明其能有效适应不同患者间的差异。

May, 2023

我们提出了一种基于关键点的通用脑 MRI 配准基础模型，称为 BrainMorph，它支持多模态、成对和可扩展的团体配准，该模型在大规模的数据集上进行训练并展示了出色的配准准确性和速度。

May, 2024

本研究提出了一个名为 Morpho-MNIST 的框架来解决评估无监督和有监督机器学习的性能问题，这个框架可以用来评估特定变化因素在数据中的表现，并提供了可量化的扰动，以评估在挑战性任务上的性能。

Sep, 2018