提供一组包含1,594个膝部临床检查的原始k空间数据，并开放性挑战，鼓励参与者通过监督学习方法进行多线圈和单线圈数据图像重建，以推动机器学习在医学影像重建方面的发展。

Jan, 2020

本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

Apr, 2020

本研究提出一个基于Proxy-bridged图像重构网络的医学图像异常检测方法，其中使用SI作为中间代理来提取正常图像和重构图像之间的特征对应关系，在像素和图像级别上都取得了良好的检测效果。

Oct, 2021

提出了一种准确、有效的管道，结合You Only Look Once (YOLO v3)深度卷积神经网络和具有全面注释的大型膝关节X射线图像数据集，实现自动检测、定位和分类X射线图像中的膝关节区域，为客观分析和快速分析异常X射线图像提供可能。

Feb, 2022

本篇研究介绍了Stanford Knee MRI with Multi-Task Evaluation（SKM-TEA）数据集，利用机器学习技术对医疗成像技术进行重建和分析，及时检测和诊断关节病变和临床病变，并提出了一种有效的定量评价方法。该数据集和代码可为情况指导性的医学成像研究提供参考。

Mar, 2022

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

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

大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证，导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性，并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。

May, 2024

通过异常检测的原则，提出了自动连续分级膝骨关节炎的三阶段方法，该方法建立在对健康膝关节X射线的稳健表示的基础上，根据其到正常中心的距离对疾病严重程度进行分级。该方法的性能优于现有技术，在OA检测方面的优势高达24％，并且疾病严重程度与Kellgren-Lawrence分级系统具有与人类专家相同的相关性。

Jul, 2024

本研究解决了脑MRI异常检测中图像质量评估不足的问题，提出了一种结合结构相似性指标损失和l1损失的融合质量损失函数，从而提升重建质量评估的全面性。此外，研究引入的预处理策略增强了正常与异常区域之间的平均强度比(AIR)，进一步提升了异常的区分度。实验结果显示，所提出的图像质量评估方法在BraTS21和MSULB数据集上，相较于当前最先进的方法，Dice系数和精确召回曲线下的面积都有显著提升，强调了图像质量评估在医学异常检测中的重要性，并为未来研究提供了新的视角。

Aug, 2024