通过使用人工神经网络，统计形状模型和多个形态参数，本研究提出了一种完全自动化的工作流，可以快速设计符合患者个体特征的关节置换植入物，从而在短时间内实现个性化的术前计划，改善关节置换手术的治疗效果。

Mar, 2024

通过使用深度学习进行膝骨解剖自动分割，发现了深度学习模型中存在的性别和种族偏见，并提出了缓解这些偏见的策略，以确保公平和无偏差的分割结果，促进多样患者群体获得均等准确的诊断和治疗成果的医疗服务。

Aug, 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

通过在全膝关节置换手术中使用一种新的深度学习结构，该研究提出了一种基于 A-mode 超声波的骨追踪方法，实现了在下肢骨位移测量中具有亚毫米级精度的骨追踪，为骨科手术提供了安全、方便和高效的解决方案。

Mar, 2024

本文提出一个高效的数据标注流程用于构建基于深度学习的骨骼结构分析数据集，通过对 300 多个临床和不同 CT 扫描的数据进行密集手动标注，使用所构建的数据集进行了多个最先进的基于深度学习的方法的比较和验证。

Jun, 2023

使用自动标注方法显著提高了放射性诊断中图像分类的性能，并促进了患者护理和大型膝部数据集的整理。

Sep, 2023

本文提出了一种基于深度卷积神经网络的实时方法，用于在 2D X 射线透视序列中分割导管和导丝，使其在 X 射线成像指导下的介入手术中能够自动检测和追踪，该方法在 25 个介入操作的 237 个 X 射线序列图像上进行训练和测试，得到了极高的分割精度。

Jul, 2017

该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

May, 2023

使用条件扩散模型从轮廓和骨骼分割生成膝关节 X 射线照片，并展示了条件采样和条件训练两种方法能够生成逼真的图像，并且条件训练方法表现优于条件采样方法和传统的 U-Net 模型。

Apr, 2024

本研究提出了一种基于深度学习和注意力机制的框架，利用七年的影像数据预测髌股关节骨关节炎的放射性进展，包括 1832 名患者（3276 个膝部），使用自动化工具（BoneFinder）骨龄确定方法识别 PF 关节区域，并使用 5 倍交叉验证的端到端 DL 模型，结合临床变量，论证了 ML 模型在 PFOA 预测中的潜力和未来应用前景。

May, 2023