Nov, 2023

利用图像分割与自监督学习预测手腕 X 射线片中的骨质疏松症

PDF
TL;DR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。
发现论文，激发创造
  • 学习将骨分段计算机断层投影分解为普通 X 射线图像中的骨密度估计

    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

  • DeepLOC: 基于深度学习的手腕 X 光图像骨病理定位和分类

    该论文提出了一种新颖的方法，结合 YOLO 和 Swin 以及新提出的模块，用于定位和分类腕部 X 射线图像中的骨病理，解决了精确定位骨病理和准确分类异常的挑战。

    Aug, 2023

  • 应用改进的正弦阈值半监督方法和扩散模型进行骨质疏松症诊断

    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

  • MSKdeX：从 X 光图像中进行肌肉骨骼分解，精细估计瘦体肌肉量和肌肉体积

    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

  • 盆骨 X 光片中弱监督的通用骨折检测

    提出了一个针对 X 光诊断中骨盆和髋部骨折的两阶段方法，首先使用深度全卷积网络在训练数据中挖掘出可能的真实阳性和确定的硬阴性感兴趣区域，其次使用挖掘出的感兴趣区域训练一个更加一般化的模型来执行局部分析以对骨折进行分类。在 23 位受试者中的初步读者研究中，该方法表现出与人类医师 (甚至胜过急诊医生和外科医生) 不相上下的性能。

    Sep, 2019

  • X 光图像无监督异常检测

    通过无监督学习方法检测异常值以帮助医生评估 X 光手部图像并减少错过重要区域的风险，介绍了一个强大的预处理管道来减少噪声的影响，实验证明未标记图像数据仍然可以取得令人满意的成果。

    Jan, 2020

  • 使用迁移学习进行骨折分类

    本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。

    Jun, 2024

  • CT 中骨病变的弱监督检测

    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

  • 基于新的骨密度定义和计算机断层扫描技术的人体骨密度随年龄变化规律

    提出了一种新颖的骨像素分布统计模型和基于 CT 图像中骨像素的密度测量方法，研究发现骨密度在成年期的 39 至 80 岁之间呈线性下降，女性下降速度大约是男性的 1.6 倍，与广泛接受的骨密度女性在更年期开始下降、男性在大约 50 岁开始下降的观点相矛盾，推测世界卫生组织对骨质疏松症的定义应进行修订为与年龄相关的骨密度标准差，为骨健康护理和临床骨质疏松症研究开辟了新研究方向。

    Aug, 2023

  • 使用深度神经网络进行类放射科医师级别髋骨骨折检测

    我们开发了一种自动深度学习系统，可以从前面的骨盆 X 光片中检测髋骨骨折，它可以应用于临床数据，并演示了类似于人类放射科医师的诊断性能，将 ROC 曲线下面积达到 0.994。该系统有望提高诊断效率，减少昂贵的额外检查，扩大专家级医学图像解释的接入，改善患者整体效果。

    Nov, 2017