发展和验证一种人工智能模型,准确预测脊盆参数
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。
Feb, 2024
通过 VertXGradeNet 自动预测用于 X 光脊柱成像的颈椎和腰椎椎体单位的修正 Stoke 强直性脊柱炎骨试分数(mSASSS)评分,从而在成本和时间上提高自动评分的效率。
Aug, 2023
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
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
我们创建了全自动软件,使用深度神经网络检测和分割脊柱区域、确定最严重倾斜的椎骨、并在原始图像上直观显示 Cobb 角度,相较于手动测量方法,平均误差仅为 4.17 度,具有优越的测量可靠性,可望应用于临床,提高侧弯性脊柱的准确评估和诊断水平,改善病患护理。
Mar, 2024
SPINEPS 是一种开源的深度学习方法,用于对 14 个脊柱结构(包括十个椎骨亚结构、椎间盘、脊髓、脊柱管和骶骨)在全身 T2w MRI 中进行语义和实例分割。
Feb, 2024
通过使用自动超声曲线角度测量模型,我们提出了一种能自动定位骨性标志物并进行角度测量的方法,成功实现了对超声背景下脊柱曲率的测量,为超声脊柱侧弯评估提供了一种具备潜在替代手动指标的可能性。
May, 2024
本文提出一种新方法(结构化支持向量回归),同时评估脊柱 X 光片上的 Cobb 角和脊柱关键点,且该方法可应用于临床。经 439 名脊柱侧弯患者的数据测试,本方法的相关系数达到 92.76%,且有效地超越了两个基本线方法。
Dec, 2020
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