自动评分强直性脊柱炎脊椎X线
本文提出一种新方法（结构化支持向量回归），同时评估脊柱X光片上的Cobb角和脊柱关键点，且该方法可应用于临床。经439名脊柱侧弯患者的数据测试，本方法的相关系数达到92.76％，且有效地超越了两个基本线方法。
Dec, 2020
本文介绍了一个公开的包含多个研究中心的腰椎磁共振成像（MRI）数据集，其中包括底部疼痛病史的218名患者的447个MRI系列，并使用迭代数据标注方法训练了一个分割算法，该算法提供了基准算法和相似的nnU-Net引擎性能基准，并且可以用于比较不同的分割算法的公正性连续分割挑战。
Jun, 2023
本文提出了B-Spine，这是一个用于学习脊柱的B样条曲线表示并从低质量X射线图像中估计脊柱曲率的新型深度学习流程。通过在初始分割结果上生成高质量脊柱掩模的SegRefine网络，该方法对低质量输入图像进行预测，并利用曲线斜率分析和基于曲线的回归模型估计Cobb角度，从而在公开的AASCE2019数据集和我们提出的CJUH-JLU数据集上展示了其在稳健性和解释性方面的优越性能。
Oct, 2023
本研究中，我们旨在通过DXA扫描来估计脊柱曲度。我们首先使用神经网络训练来预测扫描中的中间脊柱曲线，然后使用基于积分的方法来确定脊柱曲线的曲度。我们使用曲度与使用DXA脊柱侧弯法（DSM）获得的标准角度脊柱侧弯测量进行比较。性能优于Jamaludin等人2018年的先前工作。我们表明最大曲度可以作为评分函数，用于按照脊柱变形的严重程度进行排序。
Nov, 2023
本文提出了一种全自动的端到端三维椎体实例分割卷积神经网络模型VertDetect，用于预测CT扫描中存在的所有椎体的椎体级别标签和分割，并通过使用脊柱的已知结构改善了椎体标注，取得了端到端架构的最先进性能，其设计可用于下游任务的特征提取。
Nov, 2023
通过仅使用单个矢状切片上的四个角点标注，本研究提出了一种弱监督迭代脊柱分割方法（WISS），用于从CT图像中自动完成椎体的体积分割，既节省了标注成本，也在绝大部分情况下仅稍微牺牲了分割性能。
Feb, 2024
SPINEPS是一种开源的深度学习方法，用于对14个脊柱结构（包括十个椎骨亚结构、椎间盘、脊髓、脊柱管和骶骨）在全身T2w MRI中进行语义和实例分割。
Feb, 2024