Oct, 2023

B-Spine: 学习 B 样条曲线表示的鲁棒和可解释的脊柱曲率估计

PDF
TL;DR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。
spinal curvature estimationb-spinedeep learningcobb angleslow-quality images
发现论文，激发创造
  • 结构化多输出回归直接估计脊柱 Cobb 角

    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

  • 从 DXA 扫描预测脊柱几何形态与脊柱侧弯

    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

  • MMA-Net：自动柯布角度测量的多形态感知网络

    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

  • Seg4Reg+: 脊柱分割和 Cobb 角度回归之间的一致性学习

    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

  • 深度学习与多位专家观察者比较下的 Cobb 角度测量自动化

    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

  • 利用 B 样条实现亚像素精度的棱边拟合

    本文报道基于 B 样条的变形模型及观测模型，用于计算机视觉任务中亚像素边缘的提取，相较于传统的样条插值方法，在高斯噪声和椒盐噪声下具有更好的性能。

    Mar, 2016

  • SpineCLUE：使用对比学习和不确定性估计的自动椎骨识别

    提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战，通过顺序执行椎骨定位、分割和识别的任务，有效利用椎骨的解剖先验信息，并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题，并进一步优化识别结果。

    Jan, 2024

  • 通过亲和聚类自动测量青少年特发性脊柱侧弯的超声曲线角度

    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

  • DeepSpline: 参数曲线和曲面的数据驱动重建

    本文提出了一种基于深度学习架构的样条拟合方法，可以用于根据图像或点云输入重构几何图形，与传统的基于样条的方法相辅相成。

    Jan, 2019

  • 通过模型拟合学习重构 3D 人体姿势和形状

    该研究提出了一种新的方法，将基于优化的方法和基于回归的方法结合起来，通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中，该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。

    Sep, 2019