本文介绍了一种使用X光图像自动量化膝关节OA严重程度的新方法，该方法采用完全卷积神经网络自动检测膝关节并进行多类别分类和回归输出，以优化两个损失函数的加权比率，取得了优于现有方法的极有前景的结果。

Mar, 2017

本研究提出一种基于深度孪生卷积神经网络的新透明计算机辅助诊断方法，根据Kellgren-Lawrence分级标准自动评分膝骨关节炎病情，并报告了该方法验证的结果和关键的放射学特征。

Oct, 2017

使用深度学习算法，基于全 OAI 数据集进行 ImageNet 传递学习和微调，完成了对膝关节 X 射线图像中 KL 和 OARSI 等级的自动预测和较好的预测。

Jul, 2019

本文研究如何通过深度学习与正则化技术来在磁共振成像（MRI）数据中分割膝盖关节软骨，并在两个镜头数据集上进行验证，结果显示，在中度改变膝MRI数据采集设置时，mixup和UDA方法可能提高其鲁棒性。

Aug, 2019

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

使用易于获取的CT图像开发了一种名为SRRD的基于蒸馏学习的新型方法，其利用配对的MR图像来增强训练过程中的CT图像分析模型，成功进行了MR-CT图像配准、回归分析和膝关节骨关节炎分类研究，验证了基于CT图像的关节软骨下骨微结构分析的可行性。

Jul, 2023

CartiMorph是一个自动化膝关节软骨形态测量的框架，通过深度学习模型生成膝关节软骨亚区域的定量指标，包括全厚度软骨丢失百分比（FCL）、平均厚度、表面积和体积。

Aug, 2023

评估将深度学习算法应用于0.55T与3.0T之间的双侧膝关节生物标志物量化的可行性，证明0.55T低场MRI可以用于评估膝关节软骨厚度和骨分割，尤其在使用已训练3.0T的深度学习算法时，其表现与3.0T几乎相当。

Oct, 2023

该研究提出了一种名为Multi-Resolution Attentive-Unet (MtRA-Unet)的自动分割方法，用于Knee Osteoarthritis的快速诊断，并通过对磁共振成像(MRI)进行分割，得到了优秀的分割效果。

Jan, 2024

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