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

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

基于扩散模型和类阈值正弦衰减的半监督模型可以自动诊断骨质疏松症，具有方便、准确和低成本的优势。

Mar, 2024

通过超体素级别的关联研究，本文研究了冠状动脉计算机断层血管造影术的体积和组织密度特征与个体年龄之间的关系，以了解形态和组织密度在不同年龄下的局部变化。该研究采用图像分割、个体间图像配准和鲁棒的超体素相关分析方法，通过统计关联研究分析图像与年龄的关系。性别分层研究显示超体素级别分析能够发现与年龄相关的局部影响，并且在年龄与体积之间有显著的性别差异。

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

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

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

使用整体身影图像，基于 Grad-CAM 可解释性方法进行人体年龄预测，发现脊柱、本地背肌和心脏区域最相关。

Jul, 2023

本文应用深度学习技术，以胸部 X 光片为数据集，采用回归模型对人的年龄进行预测，并探索了激活图以识别影响预测的重要区域，发现在正确预测的 X 光片中，在锁骨、肩膀、脊柱和纵膈部等部位最活跃，在异常预测的 X 光片中则可能出现疾病模式，可以用于评估患者健康状况与其年龄预期平均值之间的差距。

Mar, 2019