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

利用骨骼形态学分析研究膝关节骨性关节炎疼痛条件的性质，对 6 种语义分割算法进行评估，发现髂骨形态在疼痛加重时会发生显著变化，疼痛缓解时骨形状改变不明显。基于 few-shot learning 的算法 UniverSeg 在髂骨和胫骨的分割中表现出优异的结果，而零样本学习的算法 CP-SAM 对膝关节骨性关节炎疼痛条件的分类准确率达到了 66%。鉴于这些发现，few-shot learning 在语义分割中的有效性以及零样本学习在膝关节骨性关节炎诊断模型的改进潜力得到了强调。

Mar, 2024

本研究提出一种新的方法，通过对三维表面模型的几何分析和体积图像中提取的组织信息的整合，来支持诊断活动和随访检查，进而对手腕、脊柱等骨骼肌肉区域的形态和病理进行个体化表征，并具有足够的广泛性应用于不同的区域。

Apr, 2023

本文提出了一种自我监督的对比学习方法，用于自动检索不同时期的相似肌肉超声视图，结果表明与监督学习模型相比，我们的对比学习模型在视图检索任务中表现更好，结合自动分割模型后的交叉面积误差在 5.7%+/-0.24% 之间。此外，用户研究调查证实了我们的模型在肌肉视图检索方面的有效性。

Jun, 2023

通过使用 C-SliceGen 生成预定义的椎体水平切片，从而解决了不同年份获取的切片之间的位置变化导致不同器官 / 组织被捕捉到的问题，并通过评估我们的方法在多个数据集上的能力，证实了我们的方法在减少体腔脂肪面积方面可以协调纵向位置方差，为单片纵向分析提供了一个有希望的方向。

Sep, 2023

深度学习在腹部多器官分割方面取得了巨大的进展，但在边缘情况和复杂器官上的鲁棒性仍然是一个具有挑战性的问题。为了调查模型的鲁棒性，我们收集并注释了 RAOS 数据集，包括 413 名患者的 413 个 CT 扫描，涵盖了诊断 / 放疗、部分切除和完全切除三个临床组。该数据集可以作为评估模型鲁棒性的潜在基准，并提供了一些在公共数据集中很难获取的器官。我们对几种最先进的方法在这三个临床组中进行了基准测试，评估了性能和鲁棒性，并评估了 RAOS 与三个公共数据集之间的交叉泛化能力。该数据集和综合分析为未来鲁棒性研究提供了一个潜在的基准。

Jun, 2024

运用卷积和可视化变换器块的混合架构进行肌肉分割，利用解剖先验规则加强预测性能，并对 18 个下肢肌肉进行形态分析。

Oct, 2023

通过使用几何相关的连接子集描述孔隙空间，利用曲线骨架对土壤微生物分解进行数值模拟，验证模拟结果与其他几何表示方法（球体、体素）的比较。

Sep, 2023

通过比较我们的内部工具和 TotalSegmentator 的测量结果，研究表明我们的工具在测量皮下脂肪和肌肉方面表现优于 TotalSegmentator，并且在内脏脂肪的分割方面两种工具之间存在可靠的一致性。这些结果显示了我们的工具在提高人体组成分析的准确性方面的潜力。

Jan, 2024

本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

Mar, 2024