Feb, 2024

3D 椎骨测量：使用局部解剖椎骨轴线对人脊柱网格模型进行椎骨尺寸评估

PDF
TL;DR介绍了一种基于三维脊柱模型的新型全自动测量脊椎形态的方法，实验结果表明该方法能够准确测量低分辨率患者特定的脊椎网格，平均绝对误差为 1.09 毫米，以及通过人工创建的腰椎脊柱，平均绝对误差值为 0.7 毫米，我们的定性分析表明，使用我们的方法在三维脊柱模型上获得的测量结果可以准确地重新投影到原始医学图像上，如果这些图像是可用的。
vertebral morphological measurementsspinal biomechanicsclinical applicationsanthropological longitudinal studiesautomated method
发现论文，激发创造
  • 在黑暗中进行形状补全：从 3D 超声中完成脊椎形态学

    通过点云概率深度学习方法对被遮挡的解剖结构进行 3D 形状完整性补全，并应用于基于超声波的脊柱检查，结果表明该方法在合成数据和实际患者数据上表现一致，保留了重要解剖标志和正确位置的关键注射点。

    Apr, 2024

  • 监测病变增长的纵向脊柱 CT 图像配准

    实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。

    Feb, 2024

  • 发展和验证一种人工智能模型，准确预测脊盆参数

    SpinePose 是一种人工智能工具，可以准确预测脊盆参数，具有与脊柱外科专家和神经放射学家相媲美的可靠性，可在患者选择和手术规划方面提供实质性帮助。

    Feb, 2024

  • 使用深度图像到图像网络，结合信息传递和稀疏正则化方法，在大规模三维 CT 中自动标记椎骨

    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

  • 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

  • 机器学习应用于脊柱生物力学

    脊柱生物力学通过机器学习和计算机视觉技术的引入和整合进入了转型期。该研究介绍了一个将这些方法与传统肌肉骨骼模型相结合的框架，使得从单个相机中能够进行复杂活动的脊柱生物力学全面分析成为可能。此框架在工作场所举重评估、车祸中鞭打伤评估以及专业运动的生物力学分析等实际应用中表现出潜力和局限性，并且对于预测准确性、复杂交互和外部负荷估计等方面存在限制，但展示出了在脊柱生物力学领域中进一步进展的潜力，预示着研究和实际应用都有乐观的未来。

    Jan, 2024

  • 三维患者特异性肌骨区建模与表征

    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

  • 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

  • 形状重要：使用可微分的基于点的形状解码技术检测椎体骨折

    使用形状自编码器和自动化的多标签分割方法，本研究探讨了骨质疏松性骨折的及时诊断，以及通过学习形状特征来改善骨骼退行性畸形的可靠性和减少标注的需求。

    Dec, 2023

  • 利用度量和语义属性进行精准的三维人体形状回归

    通过采集互联网上的时尚模特图片和一小部分人体测量数据，以及用于各种三维身体网格的语言形状属性，我们训练了一种名为 SHAPY 的神经网络，该模型可从 RGB 图像中回归出三维人物的姿态以及形状。在新的 HBW 数据集上进行测试，SHAPY 在三维人体形状估计任务上表现出色，明显优于现有技术。

    Jun, 2022