智能脊柱侧弯筛查与诊断: 调查
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
本文提出了一种名为Seg4Reg+ 的多任务框架,通过优化分割和回归网络,探索了它们之间的局部和全局一致性以及知识迁移,并在公共数据集上进行了评估,证明了其在Cobb角估计方面的有效性和卓越表现。
Aug, 2022
本研究提出了一种名为多形态感知网络(MMA-Net)的新框架,通过整合多种脊柱形态作为关注信息,改进了Cobb角度测量的准确性,实现了自动化的、高效的、可靠的脊柱X光分析。
Sep, 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
脊柱生物力学通过机器学习和计算机视觉技术的引入和整合进入了转型期。该研究介绍了一个将这些方法与传统肌肉骨骼模型相结合的框架,使得从单个相机中能够进行复杂活动的脊柱生物力学全面分析成为可能。此框架在工作场所举重评估、车祸中鞭打伤评估以及专业运动的生物力学分析等实际应用中表现出潜力和局限性,并且对于预测准确性、复杂交互和外部负荷估计等方面存在限制,但展示出了在脊柱生物力学领域中进一步进展的潜力,预示着研究和实际应用都有乐观的未来。
Jan, 2024
我们创建了全自动软件,使用深度神经网络检测和分割脊柱区域、确定最严重倾斜的椎骨、并在原始图像上直观显示Cobb角度,相较于手动测量方法,平均误差仅为4.17度,具有优越的测量可靠性,可望应用于临床,提高侧弯性脊柱的准确评估和诊断水平,改善病患护理。
Mar, 2024
通过使用自动超声曲线角度测量模型,我们提出了一种能自动定位骨性标志物并进行角度测量的方法,成功实现了对超声背景下脊柱曲率的测量,为超声脊柱侧弯评估提供了一种具备潜在替代手动指标的可能性。
May, 2024
通过利用步态分析,我们提出了一种基于视频的非侵入式脊柱侧弯分类方法,为青少年脊柱侧弯的早期筛查提供了新的解决方案。该研究展示了Scoliosis1K数据集,这是首个针对视频脊柱侧弯分类而设计的大规模数据集,涵盖了一千多名青少年。利用这个数据集,我们开发了ScoNet和ScoNet-MT两个模型,ScoNet-MT是一个增强模型,通过多任务学习在应用中展现了很好的诊断准确性。我们的研究结果证明了步态可以作为非侵入式的脊柱侧弯生物标志物,革新了筛查实践,并为非侵入式诊断方法奠定了先例。该数据集和代码可公开获取。
Jul, 2024
本研究解决了脊柱侧弯手术中C臂X射线机视野有限的问题,提出了一种名为SX-Stitch的高效术中X射线图像拼接方法。该方法采用VMS-UNet模型进行医学图像分割,显著提升了分割性能,并在拼接阶段通过简化对齐过程和引入混合能量函数,有效消除视差伪影,展示出优于现有方案的临床应用潜力。
Sep, 2024