该研究使用深度学习技术，通过一个两阶段的流程，识别并定位颈椎骨折，验证了该算法显著减轻放射科医生的工作量并提高骨折检测的准确性。

Nov, 2023

自动化腰椎形态重建能够快速测量医疗参数以评估腰椎状况，并确定适当的治疗方法。本论文提出了 TransDeformer，一种新的基于注意力机制的深度学习方法，实现高空间精度和患者间网格对应的腰椎轮廓重建，并提出了用于误差估计的 TransDeformer 变体。该方法通过整合图像特征和轮廓特征预测形状模板上的点的位移，即可显现输入图像中的腰椎形态。经实验证明，TransDeformer 生成无伪影的几何输出，其变体可预测重建几何的误差。

Mar, 2024

本研究提出一种自动定位和标记三维医学图像中椎体中心的算法，使用 DI2IN 进行初始化，使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进，最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。

May, 2017

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

深度学习模型在 2D-3D 骨形重建方面进行了比较，提出了一个评估框架，并发现基于注意力的方法在各种解剖学和数据集方面表现更好，注意到需要对临床相关参数进行细分报告，同时对肋骨的重建相对于股骨、髋部和脊柱更具挑战性，并不是所有情况下 Dice 分数的提高都能带来相应的临床参数自动估计的改进。

Sep, 2023

通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

Jun, 2019

本文提出了一种基于自编码器框架的方法，学习固定模板上的连续形状变形场，通过表面内和表面外的点监督变形场，并通过一种新的有符号距离正则化方法，实现了非刚性形状对齐，在清洁水密网格上训练，在面临噪声，异常值和自遮挡等挑战时表现出色，为现实世界数据的形状分析提供基础。

Mar, 2022

通过 ProtoVerse 方法，我们成功应用于 VerSe'19 数据集，解决了骨折分级和深度学习模型解释性不足的问题，实现了对医学诊断的可解释性和临床适用性的提升。

Apr, 2024

我们提出了一种无监督的三维形状协同分割方法，通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状，这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力，我们引入了一个逐部位变形网络，以便对具有实质几何变化的多样部件进行建模，同时对变形能力施加约束，以确保对最初表示的部件的准确性。我们还提出了一种训练方案，有效地克服局部最小值。从体系结构上看，我们的网络是一个分支式自编码器，具有以体素形状为输入的 CNN 编码器，产生逐部位变换矩阵、潜在编码和部件存在评分，以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net，可以实现无监督的三维形状协同分割，从而产生细粒度、紧凑且有意义的部件，并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验，展示了优于之前方法的性能。

Nov, 2023

提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

Jun, 2018