基于X线图像线特征的人工神经网络长骨骨折检测

基于迁移学习的骨折分类

Bone Fracture Classification using Transfer Learning

Devi Ahilya Vishwa Vidyalaya（戴维阿希利亚大学）

针对人工X光骨折检查耗时易出错的问题，提出一种鲁棒简洁的迁移学习训练循环，仅用不到10个epoch、依托最新数据集就实现了骨折分类任务的最优性能，强调了高效训练与高质量数据集的重要性。

2024-06-22cs.CVcs.LGeess.IV

一种基于注意力迁移学习的肌肉骨骼X射线影像骨裂分类新方法

A novel approach towards the classification of Bone Fracture from Musculoskeletal Radiography images using Attention Based Transfer Learning

Stamford University Bangladesh（孟加拉国斯坦福德大学）

本文提出一种结合独立注意力机制的迁移学习方法，在包含4,083张X射线影像的FracAtlas数据集上实现超过90%的骨裂分类准确率，验证了注意力增强迁移学习在医学影像分析中的有效性。

2024-10-18cs.CVeess.IV

一种用于X射线图像中骨盆骨折分割的类别-碎片分割框架

A Category-Fragment Segmentation Framework for Pelvic Fracture Segmentation in X-ray Images

Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）

针对骨盆骨折手术中骨碎片定位需求，提出基于深度学习的CFS框架，通过类别分割、碎片分割和后处理实现2D X射线图像中骨盆骨碎片自动分割，解剖结构IoU达0.91、骨折IoU达0.78，有效且准确。

2025-04-16cs.CV

使用机器学习对从断裂动物骨骼的3D模型中提取的新特征集进行分类

Using machine learning on new feature sets extracted from 3D models of broken animal bones to classify fragments according to break agent

University of Minnesota（明尼苏达大学）；Wayzata High School（韦扎塔高中）

在古人类学遗址中辨别骨骼改造的因素是许多研究的基础，这些研究旨在了解早期人类对大型动物资源的开发以及这些生存行为对早期人类进化的影响。然而，目前的方法，特别是在该地区的骨折模式分析作为一个信号的骨髓开发，未能克服等同性。此外，研究人员对当前和新兴的骨修饰分析方法的可复制性和有效性进行了辩论。在这里，我们提出了一种新的方法，骨折模式分析，旨在区分骨碎片造成的古人类骨折和食肉动物产生的。这种新方法使用碎片骨的3D模型来提取更丰富的数据集，该数据集比以前在骨折模式分析中使用的特征集更透明和可复制。监督机器学习算法被适当地用于根据断裂因素对骨碎片进行分类，在测试中平均准确度为77%。

2022-05-20cs.CVcs.LGeess.IV

利用部分结构对称性进行创伤介入中的患者特异性图像增强

Exploiting Partial Structural Symmetry For Patient-Specific Image Augmentation in Trauma Interventions

Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins Hospital（约翰斯·霍普金斯医院）；Technische Universität München（慕尼黑工业大学）

在单侧骨盆骨折复位中，外科医生试图重建骨碎片，以恢复骨解剖结构的双侧对称性。我们建议利用这种“结构对称”的性质，骨盆骨，并提供术中图像增强，以协助外科医生修复脱位的碎片。主要的挑战是在患者的术前CT中自动估计所需的对称平面。我们建议使用非线性优化策略来估计这个平面，通过最小化Tukey的双权重鲁棒估计器，依赖于解剖结构的部分对称性。此外，正则化项被设计为在该平面的两侧上强制执行骨密度直方图的相似性，这依赖于生物学事实，即即使受伤，脱位的骨段仍保留在体内。实验结果表明，所提出的方法在估计这个“平面的部分对称性”使用CT图像的健康和受伤的解剖结构的性能。单侧骨盆骨折的例子被用来显示如何术中X射线图像可以增强与镜像解剖结构的前向投影，作为骨折复位手术的客观路线图。

2018-04-09cs.CV

基于改进VGG19的准确可解释实时骨折检测框架

A Modified VGG19-Based Framework for Accurate and Interpretable Real-Time Bone Fracture Detection

East West University（东西大学）；Islamic University of Technology（伊斯兰技术大学）；Ahsanullah University of Science and Technology（阿赫萨努拉科技大学）；Bangladesh Agricultural University（孟加拉国农业大学）；Brac University（布拉克大学）

针对X光骨折检测中误分类和缺乏可解释性的问题，提出基于改进VGG-19的自动化框架，结合CLAHE等预处理和Grad-CAM可视化，实现99.78%准确率及0.5秒内实时诊断。

2025-07-31cs.AIcs.CVeess.IV

遮蔽注册与CT图像自编码用于预测胫骨重建

Masked Registration and Autoencoding of CT Images for Predictive Tibia Reconstruction

Technical University Berlin（技术大学柏林）；Charité – Universitätsmedizin Berlin（柏林查理医院）；Freie Universität Berlin（自由大学柏林）；Humboldt-Universität zu Berlin（洪堡大学柏林）；Institute of Medical Informatics（医学信息学研究所）；Center for Musculoskeletal Surgery（骨科手术中心）；Julius Wolff Institute（朱利叶斯·沃尔夫研究所）

本文提出了一种结合神经注册和自编码器的方法，用于从骨折胫骨CT图像预测患者特异性健康骨结构。

2025-12-10cs.CV

基于CT图像的踝关节骨折分类的多阶段半监督学习方法

A multi-stage semi-supervised learning for ankle fracture classification on CT images

School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；School of Biomedical Engineering, Southern Medical University（南方医科大学生物医学工程学院）

本文提出一种基于CT图像的多阶段半监督学习方法，通过胫腓骨分割、图像配准和半监督分类器实现踝关节骨折自动诊断，实验表明其在分割和分类性能上均优于通用方法。

2024-03-29cs.CVeess.IV

用于患者特异性髋部骨折风险筛查的计算机断层扫描图像的快速稳健股骨分割

Fast and Robust Femur Segmentation from Computed Tomography Images for Patient-Specific Hip Fracture Risk Screening

The University of Iceland（冰岛大学）；ETH Zurich（苏黎世联邦理工学院）；The University of Calgary（卡尔加里大学）；McCaig Institute for Bone and Joint Health（麦凯格骨关节健康研究所）；The Icelandic Heart Association（冰岛心脏协会）；The Johns Hopkins University（约翰斯·霍普金斯大学）

骨质疏松症是一种常见的骨骼疾病，会增加骨折的风险。基于有限元分析的髋部骨折风险筛查方法依赖于分割的计算机断层扫描（CT）图像;然而，目前的股骨分割方法需要手动描绘大型数据集。在这里，我们提出了一个深度神经网络，用于从CT中完全自动、准确和快速地分割股骨近端。一组1147近端股骨与地面实况分割的评估表明，我们的方法是适合髋部骨折风险筛查，使我们更接近一个临床可行的选择，筛查髋部骨折易感性的风险患者。

2022-04-20cs.CVeess.IV

骨骼的新视角：X射线和超声中的鲁棒姿态估计

A New Angle on Bones: Robust Pose Estimation in X-Ray and Ultrasound

Medical Informatics, University of Lübeck（吕贝克大学医学信息学系）；Institut of Radiology and Nuclear Medicine, University Hospital Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医院放射学与核医学研究所）；Paediatric Surgery, University Hospital Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医院小儿外科）；EchoScout GmbH

提出基于学习的关键点候选和鲁棒线模型（RANSAC、霍夫变换）的自动骨骼姿态估计方法，在儿科骨折和髋关节发育不良评估中达到临床可接受的误差并优于地标方法。

2026-07-01cs.CV

基于时间变分自动编码器的乳腺癌骨溶解预测

Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders

University of Delaware（特拉华大学）；Amazon Web Services（亚马逊云科技）；University of Rochester（罗切斯特大学）

目标和影响声明。我们采用深度学习模型对小鼠乳腺癌骨转移的计算机断层扫描（CT）图像进行骨溶解预测。给定先前时间步的骨CT扫描，该模型结合从序列图像中学习的骨癌相互作用，并生成未来的CT图像。其预测癌症侵袭骨中骨病变发展的能力可以帮助评估即将发生骨折的风险并选择适当的乳腺癌骨转移治疗。导论.乳腺癌通常转移到骨，引起溶骨性病变，并导致骨骼相关事件（SRE），包括剧烈疼痛甚至致命性骨折。虽然目前的成像技术可以检测到肉眼可见的骨病变，预测骨病变的发生和进展仍然是一个挑战。方法.我们采用时间变分自动编码器（T-VAE）模型，该模型利用变分自动编码器和长短期记忆网络的组合来预测包含小鼠胫骨序列图像的micro-CT数据集上的骨病变出现。考虑到早期几周的小鼠胸腺的CT扫描，我们的模型可以从数据中学习它们未来状态的分布。结果我们将我们的模型与其他基于深度学习的预测模型在骨病变进展预测任务上进行了测试。在各种评估指标下，我们的模型比现有模型产生更准确的预测。结论我们开发了一个深度学习框架，可以准确预测和可视化溶骨性骨病变的进展。它将协助规划和评估治疗策略，以预防乳腺癌患者发生SRE。

2022-03-28cs.CVeess.IV

跟骨X线片自动分析系统：旋转不变界标检测跟骨角度测量、骨折识别及骨折区域分割

Automatic Analysis System of Calcaneus Radiograph: Rotation-Invariant Landmark Detection for Calcaneal Angle Measurement, Fracture Identification and Fracture Region Segmentation

Beijing Institute of Technology（北京理工大学）；The First Affiliated Hospital of Jinzhou Medical University（锦州医科大学附属第一医院）；Zhejiang University of Science & Technology（浙江科技学院）；Peking University People’s Hospital（北京大学人民医院）

跟骨是最大的跗骨承受日常压力的承重。跟骨骨折是跗骨骨折中最常见的类型。怀疑骨折后，应首先拍摄平片。通过足侧位片上的四个解剖标志测量Bohler角（BA）和Gissane临界角（CAG），可以指导跟骨骨折的诊断和手术治疗。本研究旨在开发一种分析系统，该系统可以自动定位四个解剖标志，测量BA和CAG用于骨折评估，识别骨折跟骨，并分割骨折区域。在界标检测方面，提出了一种基于回归多层感知器（MLP）和尺度不变特征变换（SIFT）块描述子的由粗到细的旋转不变回归投票（RIRV）界标检测方法，解决了跟骨易变旋转的问题。通过实现一种新的归一化方法，与传统的回归方法相比，RIRV方法具有显式的旋转不变性。针对裂缝识别与分割问题，设计了一种基于带辅助分类头U-Net（U-Net-CH）的卷积神经网络（CNN）。CNN的输入ROI由检测到的地标归一化为统一视图、方向和比例。这种方法的优点是结合了分类和分割的多任务学习。我们的系统可以准确地测量BA和CAG的平均角度误差分别为3.8和6.2。对于骨折识别和骨折区域分割，我们的系统表现出良好的性能，F1分数为96.55%，召回率为94.99%，分割IoU分数为0.586。

2021-03-19cs.CVeess.IV

3D医学成像中的部分内、外对称性研究

Exploring Partial Intrinsic and Extrinsic Symmetry in 3D Medical Imaging

Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins Hospital（约翰斯·霍普金斯医院）；Technical University of Munich（慕尼黑工业大学）

我们提出了一种新的方法来检测不完美的双边对称性CT人体解剖。在本文中，骨盆骨的结构对称性进行了探讨，并用于提供介入影像增强治疗创伤性损伤患者的单侧骨折。我们的解决方案的数学基础是纳入的属性和特性，满足属性的内在和外在的对称性，是强大的离群值。在第一步中，在CT数据上定义的莫比乌斯空间中自动检测满足固有对称性的特征点。这些功能，然后修剪通过一个两阶段RANSAC，以达到对应，也满足外在的对称性。然后，引入基于Tukey的双权重鲁棒估计器的视差函数并使其最小化，以确定产生最大对侧相似性的对称平面参数化。最后，一个新的正则化项被引入，以提高骨密度直方图之间的相似性在部分对称平面，依赖于重要的生物学观察，即使受伤，错位的骨段仍然在体内。我们对常见骨折类型的各种情况下进行了广泛的评估，证明了新概念的有效性和所提出的方法的鲁棒性和准确性。

2020-09-27cs.CV

不可见却可检测：带有注意力引导解剖融合的PelFANet用于骨盆骨折诊断

Invisible Yet Detected: PelFANet with Attention-Guided Anatomical Fusion for Pelvic Fracture Diagnosis

Center for Computational & Data Sciences, Independent University, Bangladesh（孟加拉国独立大学计算与数据科学中心）；Department of Computer Science and Engineering, Independent University, Bangladesh（孟加拉国独立大学计算机科学与工程系）；Advanced Medical Engineering Research Institute, University of Hyogo, Japan（日本兵库大学先进医学工程研究所）；Graduate School of Engineering, University of Hyogo, Japan（日本兵库大学工学研究科）

本文提出PelFANet，通过融合原始骨盆X光和分割骨图像，利用注意力模块提升骨折分类性能，实验显示其在可见和不可见骨折检测中均表现优异。

2026-06-27cs.CV

面向孟加拉国X光片鲁棒骨折分类的可靠性与解剖一致性感知多模态学习

Reliability- and Anatomy-Consistency-Aware Multimodal Learning for Robust Fracture Classification from Bangladeshi Radiographs

Bangladesh University of Engineering and Technology（孟加拉工程技术大学）

该研究针对孟加拉国X光片骨折分类，提出可靠性与解剖一致性感知的多模态融合方法，在提升分类性能的同时降低元数据不匹配带来的损失，存在干净性能与鲁棒性的权衡。

2026-08-25cs.AIcs.CVeess.IV

使用YOLOv8算法检测儿童手腕创伤X光图像的骨折

Fracture Detection in Pediatric Wrist Trauma X-ray Images Using YOLOv8 Algorithm

National Taiwan University（台湾大学）；Jingjiang People’s Hospital（靖江市人民医院）

本文提出使用YOLOv8算法和数据增强技术，提升儿童手腕创伤X光图像骨折检测的准确率，达到当前最先进的mAP 50指标。

2023-11-14cs.CV

引入各向异性Minkowski泛函进行股骨近端局部结构分析和生物力学强度预测

Introducing Anisotropic Minkowski Functionals for Local Structure Analysis and Prediction of Biomechanical Strength of Proximal Femur Specimens

University of Rochester（罗切斯特大学）；Edmund A. Hajim School of Engineering and Applied Sciences（埃德蒙·A·哈吉姆工程与应用科学学院）

由骨质疏松症或损伤引起的骨脆性和骨折在50岁以上的成年人中很普遍，并会降低他们的生活质量。因此，通过基于非侵入性成像的方法预测生物力学骨强度，特别是股骨近端的骨强度，是诊断骨质疏松症以及估计骨折风险的重要目标。双能X线骨密度仪（DXA）已被用作通过骨矿物质密度（BMD）测量评估和诊断骨强度和骨质疏松症的标准临床程序。然而，以前的研究表明，定量计算机断层扫描（QCT）可以更敏感和具体的骨小梁表征，因为它减少了重叠效应和周围软组织和皮质壳的干扰。本研究提出了一种新的方法来预测骨强度的股骨近端标本定量多探测器计算机断层扫描（MDCT）图像。纹理分析方法，如传统的统计矩（BMD均值），各向同性Minkowski泛函（IMF）和各向异性Minkowski泛函（AMF）被用来量化骨小梁微结构的BMD属性。这些提取的特征的组合，然后使用复杂的机器学习技术，如多元回归（MultiReg）和支持向量回归与线性内核（SVRlin）预测股骨标本的生物力学强度。与这些功能集实现的预测性能相比，标准的方法，使用平均BMD的标本和多元回归模型，使用均方根误差（RMSE）。

2020-04-02cs.CVcs.LGeess.IV

深度学习分割骨盆骨骼：大规模CT数据集和基线模型

Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models

George Mason University（乔治梅森大学）；Beijing Electronic Science and Technology Institute（北京电子科技学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Beijing Jishuitan Hospital（北京积水潭医院）

目的：CT骨盆骨分割一直是骨盆骨疾病临床诊断和手术规划的重要环节。现有的骨盆骨分割方法是手工制作的或半自动的，并且在处理由于多位点域移位、对比血管的存在、粪石和食糜、骨折、低剂量、金属伪影等引起的图像外观变化时实现有限的准确度。由于缺乏具有注释的大规模骨盆CT数据集，深度学习方法没有被充分探索。研究方法：在本文中，我们的目标是通过收集一个来自多个来源和不同制造商的大型骨盆CT数据集来弥合数据差距，该数据集包括1，184个CT体积和超过320，000个不同分辨率和各种上述外观变化的切片。然后，据我们所知，我们首次提出学习一个深度多类网络，用于同时从多域图像中分割腰椎、骶骨、左髋和右髋，以获得更有效和更鲁棒的特征表示。最后，我们引入了一个基于符号距离函数（SDF）的后处理工具，以消除错误的预测，同时保留正确预测的骨碎片。结果如下：在我们的数据集上进行的大量实验证明了我们的自动方法的有效性，对于无金属体积，平均Dice为0.987。SDF后处理器通过在后处理阶段保留重要的骨碎片，使hausdorff距离减少10.5%。结论：我们相信这个大规模的数据集将促进整个社区的发展，并计划在www.example.com上开源图像，注释，代码和训练的基线模型https://github.com/ICT-MIRACLE-lab/CTPelvic1K。

2021-04-01cs.CV

纵向CT的骨质疏松性和肿瘤性压缩骨折分类

Osteoporotic and Neoplastic Compression Fracture Classification on Longitudinal CT

Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, Radiology and Imaging Sciences, Clinical Center, National Institutes of Health（美国国立卫生研究院临床中心放射与影像科学系影像生物标志物与计算机辅助诊断实验室）；Department of Radiological Sciences, University of California-Irvine, School of Medicine（加州大学尔湾分校医学院放射科学系）

椎体压缩性骨折（VCF）的分类是治疗计划的基础。我们开发了一个骨折分类系统，通过使用纵向研究的自动测量，获得骨折进展的定量形态学和骨密度决定因素。总共获得了250个CT研究的任务，每一个先前确定的VCF与骨质疏松症或肿瘤。三十六个功能或每个识别的VCF计算和分类使用委员会的支持向量机。10倍交叉验证695确定骨折椎骨的分类精度分别为0.812，0.665和0.820的测量，纵向和组合功能集。

2016-01-27cs.CVq-bio.TO

WristMIR: 儿童手腕X光片的粗到细区域感知检索框架，基于放射科报告驱动学习

WristMIR: Coarse-to-Fine Region-Aware Retrieval of Pediatric Wrist Radiographs with Radiology Report-Driven Learning

Middle East Technical University（中东部技术大学）；Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；METU-DTX Research Center（METU-DTX研究中心）

WristMIR通过结合放射科报告和骨特定定位，实现儿童手腕X光片的粗到细区域感知检索，提升骨折诊断的准确性和临床相关性。

2026-03-03cs.CV

多种深度学习算法用于高效定位人体上肢骨关节的比较研究

A Comparative Study of Multiple Deep Learning Algorithms for Efficient Localization of Bone Joints in the Upper Limbs of Human Body

FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；University of Freiburg（弗莱堡大学）；Jadavpur University（贾达普大学）；Heritage Institute of Technology（遗产理工学院）

本文在MURA数据集上比较YOLOv3、YOLOv7、EfficientDet和CenterNet对上肢骨关节的定位性能，发现YOLOv7的mAP和视觉边界框预测表现最佳。

2024-10-28cs.CV

男性骨质疏松症（MrOS）研究中X线片对髋部骨折风险的预测

Opportunistic hip fracture risk prediction in Men from X-ray: Findings from the Osteoporosis in Men (MrOS) Study

Kiel University（基尔大学）；Oregon Health & Science University（俄勒冈健康与科学大学）

骨质疏松症是一种常见的疾病，增加骨折的风险。髋部骨折，特别是老年人，导致发病率增加，生活质量下降和死亡率增加。骨质疏松症是骨折前的一种隐性疾病，经常得不到诊断和治疗。双能X线骨密度仪（DXA）评估的骨密度（aBMD）是骨质疏松症诊断的金标准方法，因此也是未来骨折预测的金标准方法。然而，所需的特殊设备并非随处可得，特别是发展中国家的病人。我们提出了一个深度学习分类模型（FORM），可以直接从X光片或计算机断层扫描（CT）数据的2D投影图像预测髋部骨折风险。我们的方法是完全自动化的，因此非常适合机会性筛查，在更广泛的人群中识别高风险患者，而无需额外的筛查。FORM在男性骨质疏松症（MrOS）研究的X射线和CT投影上进行了培训和评估。使用了3108个X线片（89个髋关节骨折）或2150个CT（80个髋关节骨折），80/20分割。我们表明，FORM可以正确预测10年髋部骨折风险，验证AUC为81.44 +- 3.11% / 81.04 +- 5.54%（平均值+- STD），包括额外的信息，如年龄，BMI，跌倒史和健康背景，分别在X射线和CT队列中进行5倍交叉验证。我们的方法显著（p < 0.01）优于以前的方法，如Cox比例风险模型和\frax，在X射线队列中分别为70.19 ± 6.58和74.72 ± 7.21。我们的模型优于两个队列髋关节aBMD的预测。我们相信FORM可以在早期阶…

2022-10-06cs.CV

使用MURA数据集进行X射线骨异常检测

X-Ray bone abnormalities detection using MURA dataset

Stanford University（斯坦福大学）

我们介绍了在2017年斯坦福大学发布的MURA数据集上训练的深度网络。我们的系统能够在X光片上检测骨骼异常并可视化这些区域。我们发现，我们的解决方案具有与使用MURA数据集的其他开发团队所取得的最佳结果相当的准确性，特别是我们团队所取得的总体Kappa得分在手腕上约为0.942，在手上约为0.862，在肩膀上约为0.735（与官方网站上目前可获得的最佳结果0.931、0.851和0.729相比较）。然而，尽管取得了良好的效果，但所提出的技术在未来的增强方面还有很多方向。我们看到了进一步开发X光片计算机辅助系统（CAD）的巨大潜力，这将有助于实用专家更快、更准确地诊断骨折和骨肿瘤病例。

2020-08-07cs.CVcs.LGeess.IV

基于本体的骨病诊断知识表示：安全且可持续的医学人工智能系统的基础

Ontology-based knowledge representation for bone disease diagnosis: a foundation for safe and sustainable medical artificial intelligence systems

University of Science, VNUHCM（胡志明市国家大学科学大学）；Viet Nam National University, Ho Chi Minh City（越南国家大学胡志明市分校）；Ho Chi Minh City Hospital for Traumatology and Orthopedics（胡志明市创伤与骨科医院）

本文提出一个基于本体的骨病诊断框架，通过本体引导的分层神经网络、本体增强VQA和多模态深度学习整合影像、临床与实验室数据，为安全可持续的医学AI奠定理论基础。

2025-06-05cs.AIcs.CVeess.IV

使用定制卷积神经网络（CNN）和迁移学习模型进行 X 射线骨折检测

Fracture Detection In X-rays Using Custom Convolutional Neural Network (CNN) And Transfer Learning Models

Amna Hassan（独立研究者）；Ilsa（独立研究者）；Nouman Munib（独立研究者）；Aneeqa Batool（独立研究者）；Hamail Noor（独立研究者）

该研究提出基于定制 CNN 的 X 射线骨折自动检测方法，并在 FracAtlas 上与 EfficientNetB0、MobileNetV2 和 ResNet50 比较，定制模型取得 95.96% 准确率。

2025-09-26cs.CV

人工智能在骨转移分析中的应用：当前进展、机遇与挑战

Artificial Intelligence in Bone Metastasis Analysis: Current Advancements, Opportunities and Challenges

Université Polytechnique Hauts-de-France（上法兰西理工大学）；Université de Lille（里尔大学）；Junia（朱尼亚高等工程师学院）；University of the Basque Country UPV/EHU（巴斯克大学）；National engineering school of Sfax（斯法克斯国立工程学院）

本文综述了人工智能在骨转移影像分析中的最新进展，涵盖分类、检测与分割任务，指出其性能潜力及临床转化面临的验证与整合挑战。

2024-04-30cs.CVeess.IV

XAttn-BMD：基于交叉注意力的多模态深度学习用于股骨颈骨密度估计

XAttn-BMD: Multimodal Deep Learning with Cross-Attention for Femoral Neck Bone Mineral Density Estimation

School of Electronics and Computer Science, University of Southampton, UK（电子与计算机科学学院，索姆塞特大学，英国）；MRC Lifecourse Epidemiology Centre, University of Southampton, Southampton General Hospital, UK（生命课程流行病学研究中心，索姆塞特大学，南安普顿总医院，英国）；NIHR Southampton Biomedical Research Centre, University of Southampton（南安普顿生物医学研究中心，索姆塞特大学）；University Hospital NHS Foundation Trust, Southampton, UK（南安普顿国家健康服务基金会信托，英国）

针对低骨密度引发骨折风险的问题，提出XAttn-BMD多模态深度学习框架，结合髋关节X光图像与临床元数据，通过双向交叉注意力机制和加权平滑L1损失提升股骨颈BMD估计性能，实验证明其优于基线模型和简单特征拼接方法。

2025-11-18cs.CV

通过学习分解为骨分割计算机断层扫描投影的方法从普通X射线图像估计骨矿物质密度

Bone mineral density estimation from a plain X-ray image by learning decomposition into projections of bone-segmented computed tomography

Nara Institute of Science and Technology（奈良先端科学技术大学院大学）；CentraleSupélec（巴黎中央理工-高等电力学院）；Université Paris-Saclay（巴黎萨克雷大学）；Inria（法国国家信息与自动化研究所）；Osaka University Graduate School of Medicine（大阪大学医学研究生院）；Ehime University Graduate School of Medicine（爱媛大学医学研究生院）

本研究针对现有骨密度估计方法需大量训练数据、依赖专用设备的问题，提出从普通X射线图像学习分解为骨分割QCT投影的高效方法，在有限数据集下实现高精度骨密度估计，并开展多场景验证推进临床应用。

2023-07-21cs.CVeess.IV

基于CNN的CT颅骨骨折分类

Classifications of Skull Fractures using CT Scan Images via CNN with Lazy Learning Approach

Sylhet Engineering College（锡尔赫特工程学院）；Shahjalal University of Science and Technology（沙赫贾拉尔科技大学）

颅骨骨折的分型对放射科医生和研究人员来说都是一项具有挑战性的任务。颅骨骨折会导致骨头碎片，这些碎片会切入大脑，导致出血和其他类型的损伤。因此，对骨折进行早期检测和分类至关重要。在现实世界中，骨折经常发生在多个部位。这使得更难检测骨折类型，其中许多骨折类型可能概括为颅骨骨折。不幸的是，颅骨骨折的手动检测和分类过程是耗时的，威胁着患者的生命。由于深度学习的出现，这个过程可以自动化。卷积神经网络（CNN）是用于图像分类的最广泛的深度学习模型，因为与其他模型相比，它们具有高准确性和出色的结果。我们提出了一个新的模型称为SkullNetV1，包括一个新的CNN，利用CNN的特征提取和懒惰的学习方法，作为一个分类器的颅骨骨折从脑CT图像分类五种骨折类型。我们建议的模型实现了88%的子集准确率，93%的F1评分，0.89至0.98的曲线下面积（AUC），92%的汉明评分和0.04的汉明损失对于这个七类多标记分类。

2022-03-21cs.AIcs.CVcs.LG

使用基于CT的模拟进行X射线图像中的腕骨分割

Wrist bone segmentation in X-ray images using CT-based simulations

University of Nottingham（诺丁汉大学）

为解决腕骨X射线分割标注难的问题，利用CT生成的模拟X射线图像及10个骨骼标签训练深度学习模型，在模拟和真实图像上均表现优越。

2025-07-08cs.CVeess.IVq-bio.TO

基于半监督学习的髋关节X线骨密度估计

Semi-Supervised Learning for Bone Mineral Density Estimation in Hip X-ray Images

PAII Inc.（PAII公司）；University of Maryland（马里兰大学）；Chang Gung Memorial Hospital（长庚纪念医院）；Ping An Technology（平安科技）

骨矿物质密度（BMD）是骨质疏松症的临床关键指标，通常通过双能X线吸收法（DEXA）测量。由于DEXA机器和检查的可及性有限，骨质疏松症往往诊断不足和治疗不足，导致脆性骨折风险增加。因此，非常希望获得具有替代成本效益和更容易获得的医学成像检查，如X射线平片的BMD。在这项工作中，我们将髋关节X射线平片图像的骨密度估计公式化为回归问题。具体来说，我们提出了一种新的半监督自训练算法，训练的BMD回归模型，使用图像加上DEXA测量的BMD和未标记的图像与伪BMD。在自训练期间，针对未标记的图像迭代地生成和细化伪BMD。我们还提出了一种新的自适应三重损失，以提高模型的回归精度。在1，090张图像（819名独特患者）的内部数据集上，我们的BMD估计方法与地面真实BMD的Pearson相关系数高达0.8805。它提供了良好的可行性，使用更容易和更便宜的X线成像的机会性骨质疏松症筛查。

2021-05-19cs.CVeess.IV

骨髓细胞检测：一种显微图像分析技术

Bone marrow cells detection: A technique for the microscopic image analysis

Huazhong University of Science and Technology（华中科技大学）

在骨髓增生性疾病的检测中，每种类型骨髓细胞（BMC）中的细胞数是评价的重要参数。在本研究中，我们提出了一种新的计数方法，它也包括三个模块，包括定位，分割和分类。BMC的定位是通过颜色变换增强的BMC样本图像和逐步平均法（SAM）来实现的。在细胞核的分割中，SAM和大津的方法将被应用到获得一个加权阈值分割成细胞核和非细胞核的补丁。在细胞质分割中，采用了颜色弱化变换、改进的区域生长法和K-Means算法。带有BMC的连通细胞将通过标记控制的分水岭算法分离。分割后的特征将被提取用于分类。在这项研究中，BMC分类使用SVM，随机森林，人工神经网络，Adaboost和贝叶斯网络分为五类，包括一个离群值，即嗜中性分裂粒细胞，嗜中性穿刺粒细胞，变红细胞，成熟淋巴细胞和离群值（所有其他细胞未列出）。实验结果表明，SVM的最佳平均识别率为87.49%。

2018-05-05cs.CV

使用深度神经网络从计算机断层扫描图像中自动分割股骨

Automated femur segmentation from computed tomography images using a deep neural network

The University of Iceland（冰岛大学）；ETH Zürich（苏黎世联邦理工学院）；The Icelandic Heart Association（冰岛心脏协会）；The Johns Hopkins University（约翰斯·霍普金斯大学）

骨质疏松症是一种常见的骨骼疾病，当新骨的产生跟不上旧骨的损失时发生，导致骨折风险增加。50岁以上的成年人尤其面临风险，他们的生活质量因行动能力有限而下降，这可能导致孤立和抑郁。我们正在开发一种强大的筛查方法，能够识别易患髋部骨折的个体，以应对这一临床挑战。该方法使用有限元分析，并依赖于分割的计算机断层扫描（CT）图像的髋关节。目前，股骨近端的分割需要手动输入，这是一项繁琐的任务，容易出现人为错误，并且严重限制了该方法在临床环境中的实用性。在这里，我们提出了一种用于分割股骨近端的新方法，该方法使用深度卷积神经网络从CT扫描中产生准确，自动，鲁棒和快速的股骨分割。该网络架构基于著名的u-net，它由一个下采样路径和一个上采样路径组成，下采样路径用于提取输入补丁的日益复杂的特征，上采样路径用于将获取的低分辨率图像转换为高分辨率图像。跳过的连接使我们能够恢复在下采样期间丢失的关键空间信息。该模型在30个手动分割的CT图像上进行了训练，并在200个地面实况手动分割上进行了评估。我们的方法提供了一个平均骰子相似系数（DSC）和第95百分位数豪斯多夫距离（HD 95）分别为0.990和0.981毫米。

2021-01-27cs.CVeess.IV

基于单级检测器的半监督目标检测股骨骨折定位

Semi-supervised object detection based on single-stage detector for thighbone fracture localization

Tianjin University（天津大学）

股骨是支撑下半身的最大的骨头。如果股骨骨折不及时治疗，将导致终身无法行走。股骨疾病的正确诊断在骨科医学中非常重要。深度学习正在推动裂缝检测技术的发展。然而，现有的基于深度学习的计算机辅助诊断（CAD）方法依赖于大量的人工标注数据，标注这些数据需要花费大量的时间和精力。因此，我们提出了一种有限标记图像量的目标检测方法，并将其应用于股骨骨折定位。本文构建了一个基于单级检测器的半监督目标检测框架，该框架包括三个模块：自适应困难样本定向（ADSO）模块、融合盒（Fusion Box）模块和可变形扩展编码器（Dex encoder）。ADSO模块将分类得分加权作为标签可靠性评价标准，融合盒将相似的伪盒合并为可靠盒进行盒回归，Dex编码器增强图像增强的适应性。实验在股骨骨折数据集上进行，该数据集包括3484个训练股骨骨折图像和358个测试股骨骨折图像。实验结果表明，该方法在1%、5%和10%的不同标记率下，均达到了最佳的股骨骨折检测效果。此外，我们使用完整的数据来实现知识蒸馏，我们的方法达到86.2%的AP 50和52.6%的AP 75。

2022-10-20cs.CVcs.LGeess.IV

一种用于基于X射线的骨折诊断的混合量子-经典流水线

A Hybrid Quantum Classical Pipeline for X Ray Based Fracture Diagnosis

Central Research Laboratory, BEL（中央研究实验室，BEL）

针对传统X射线骨折诊断效率低、现有深度学习方案资源需求高的问题，提出融合PCA降维与4量子比特振幅编码特征增强的混合量子-经典流水线，在公开数据集上达99%准确率，性能比肩最优迁移学习模型且特征提取时间降82%。

2025-05-19cs.CVcs.ETcs.LG

一个用于甲骨文识别与考释的开放数据集

An open dataset for oracle bone script recognition and decipherment

Huazhong University of Science and Technology（华中科技大学）；The University of Adelaide（阿德莱德大学）；Anyang Normal University（安阳师范学院）；South China University of Technology（华南理工大学）

本文构建并公开了HUST-OBC甲骨文数据集，包含140,053张已考释与未考释字符图像，旨在为利用人工智能考释未知甲骨文提供高质量数据支持。

2024-09-02cs.CV

基于临床QCT的皮质骨厚度精确空间建模的综合分析方法

An Analysis by Synthesis Method that Allows Accurate Spatial Modeling of Thickness of Cortical Bone from Clinical QCT

Department of Computer Science, Kiel University（基尔大学计算机科学系）；Section Biomedical Imaging, Molecular Imaging North Competence Center (MOIN CC), Department of Radiology and Neuroradiology, University Medical Center Schleswig-Holstein (UKSH), Kiel University（基尔大学石勒苏益格-荷尔斯泰因大学医学中心（UKSH）放射科与神经放射科分子成像北方研究中心（MOIN CC）生物医学成像部）；Functional Morphology and Biomechanics, Institute of Zoology, Kiel University（基尔大学动物学研究所功能形态学与生物力学部）

骨质疏松症是一种骨骼疾病，由于皮质骨和松质骨的强度降低而导致骨折风险增加。即使采用最先进的非侵入性评估方法，仍存在很高的诊断不足率。定量计算机断层扫描（QCT）允许皮质骨的选择性分析，然而临床QCT的低空间分辨率导致高估皮质骨的厚度（Ct.Th）和骨强度。我们提出了一种新的，基于模型的，全自动的图像分析方法，允许从临床QCT的皮质骨的厚度分布的准确的空间建模。在分析合成（AbS）的方式，随机扫描合成的概率骨模型，最佳模型参数估计使用最大后验方法。通过利用CT扫描仪的平面内和平面外点扩散函数的不同特性，所提出的方法能够评估皮质厚度的空间分布。该方法进行了评估，在11具尸体的人椎骨，扫描临床QCT和分析使用标准方法和AbS，相比，高分辨率外周QCT（HR-pQCT）作为金标准。虽然基于标准QCT的测量高估了Ct. Th。与金标准（$r^2 = 0.20,\, p = 0.169$）没有显示出显著的相关性，所提出的方法消除了高估，并显示出与金标准（$r^2 = 0.98,\, p < 0.0001$）显著的紧密相关性，均方根误差低于10%。

2020-09-18cs.CVeess.IVq-bio.QM

肋骨骨转移瘤与创伤骨显像鉴别算法的建立及直观证据的展示--仅用胸部正侧位骨显像

Development of the algorithm for differentiating bone metastases and trauma of the ribs in bone scintigraphy and demonstration of visual evidence of the algorithm -- Using only anterior bone scan view of thorax

Osaka City University（大阪市立大学）；Osaka City University Hospital（大阪市立大学医院）

背景资料：虽然人工智能（AI）模型应用于医学成像的研究很多，但目前还没有仅利用骨肿瘤X线摄影的胸部前方图像来确定骨转移和创伤中肋骨堆积的AI模型的报道。近年来，在使用深度卷积神经网络（DCNN）的诊断图像领域中，已经提出了一种用于可视化诊断依据的方法，称为加权类激活映射（Grad-CAM）。据我们所知，目前还没有关于骨造影诊断基础可视化的报道。我们的目标是可视化DCNN的感兴趣区域，除了开发一种算法来分类和诊断肋骨上的RI积聚是否是骨转移或创伤，仅使用胸部的前部骨扫描视图。材料和方法：在这项回顾性研究中，我们使用了838名在我们机构接受骨造影术的患者来寻找骨转移。一个正面胸部图像的骨显像被用来创建算法。我们使用了437例肋骨骨转移瘤和401例因创伤导致RI异常积聚的病例。结果：AI模型检测骨转移灶的敏感性为90.00%，准确性为86.5%。并且可以使用Grad-CAM可视化AI模型关注的部分。

2021-09-30cs.CVeess.IVphysics.med-ph

医学知识引导的深度课程学习，用于从X射线图像诊断肘部骨折

Medical Knowledge-Guided Deep Curriculum Learning for Elbow Fracture Diagnosis from X-Ray Images

University of Pittsburgh（匹兹堡大学）

肘关节骨折是最常见的骨折类型之一。肘关节骨折的诊断通常需要经过多年培训的专业放射科医生阅读和分析放射成像的帮助。由于深度学习的最新进展，一个可以分类和检测不同类型骨折的模型只需要几个小时的训练，并且已经显示出有希望的结果。然而，大多数现有的深度学习模型都是纯数据驱动的，缺乏来自人类专家的已知领域知识。在这项工作中，我们提出了一种新的深度学习方法，通过将特定领域的医学知识整合到课程学习框架中，从肘部X射线图像中诊断肘部骨折。在我们的方法中，训练数据通过在每个训练时期开始时不替换的采样来排列。每个训练样本的采样概率由基于来自人类专家的临床已知知识构建的评分标准指导，其中评分指示不同肘关节骨折亚型的诊断难度。我们还提出了一种算法，更新采样概率在每个时期，这是适用于其他基于采样的课程学习框架。我们设计了一个实验，1865肘X射线图像骨折/正常的二进制分类任务，并比较我们提出的方法的基线方法和以前的方法，使用多个指标。我们的研究结果表明，该方法实现了最高的分类性能。此外，我们提出的概率更新算法提高了以前的方法的性能。

2021-10-20cs.CVcs.LGeess.IV

骨组织与金属植入物相互作用的医学图像分割算法研究

Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants

Instituto de Biomecánica de València (IBV)（瓦伦西亚生物力学研究所）；Universitat Politècnica de València (UPV)（瓦伦西亚理工大学）

这项初步研究的重点是开发一种基于人工智能的医学图像分割算法，用于计算与金属植入物接触的骨生长。%，这是由于估计由于伪影引起的新骨组织生长的问题。%存在各种类型的失真和误差，称为伪影。两个数据库组成的计算机显微断层扫描图像已被用于整个这项工作：100图像的培训和196图像的测试。在训练数据集中手动分割骨和植入物组织。构建的网络类型遵循U-Net架构，这是一种明确用于医学图像分割的卷积神经网络。在网络准确率方面，该模型达到了98%左右。一旦从新数据集（测试集）获得预测，就计算属于骨组织的像素总数。这一体积约为常规技术估计的体积的15%，常规技术通常被高估。该方法具有良好的性能和结果，但它有很大的改进余地，修改网络的各种参数或使用更大的数据库来改进训练。

2022-04-22cs.CVeess.IV

使用人工智能的髋部骨折计算机辅助诊断系统-多机构联合开发研究-

A Computer-Aided Diagnosis System Using Artificial Intelligence for Hip Fractures -Multi-Institutional Joint Development Research-

Gamagori City Hospital（蒲郡市立医院）；Nagoya University Graduate School of Medicine（名古屋大学医学部附属研究生院）；Tsushima City Hospital（对马市立医院）；Nagoya Daini Red Cross Hospital（名古屋第二红十字医院）；Search Space CO.Ltd.（Search Space有限公司）；Nagoya Orthopedic Regional Healthcare Support Center, AI Research Division（名古屋骨科区域医疗支援中心 AI 研究部）

[目的]开发一种基于多中心采集的大数据集训练的深度学习模型的髋关节X线平片计算机辅助诊断（CAD）系统。[材料与方法]。我们纳入了2009年4月至2019年3月期间访问每家机构的5295例颈部骨折或转子骨折患者，这些患者由骨科医生使用平面X线或计算机断层成像（CT）或磁共振成像（MRI）进行诊断和治疗。排除了双侧髋关节未纳入摄影范围、股骨干骨折和假体周围骨折的病例，使用了4,851例病例中获得的5242张平面额盆X线片进行机器学习。将这些图像分为包含骨折侧的5242张图像和不包含骨折侧的5242张图像，共计10484张图像用于机器学习。深度卷积神经网络方法用于机器学习。使用Pytorch 1.3和Fast.ai 1.0作为框架，并使用EfficientNet-B4，这是预训练的ImageNet模型。在最终评价中，评价了准确性、灵敏度、特异性、F值和曲线下面积（AUC）。加权类激活映射（Grad-CAM）被用来概念化的CAD系统的诊断基础。[结果]学习模型的诊断准确率为96。1%，灵敏度为95.2%，特异性为96.9%，F值为0.961，AUC为0.99。诊断正确的病例，使用Grad-CAM显示了基本正确的诊断依据。[结论]所开发的基于深度学习模型的CAD系统能够在平面X线片上准确诊断髋部骨折，并能够给出决策原因。

2020-05-20cs.CVeess.IVphysics.med-ph

OsteoCAD：一种用于骨肿瘤分割的人在回路云边协同框架

OsteoCAD: A Human-in-the-Loop Cloud-Edge Framework for Bone Tumor Segmentation

针对医疗机构采用AI/DL医学影像分析的资源与专业壁垒，提出OsteoCAD云边协同框架，经墨西哥骨肿瘤分割案例验证，可低门槛实现端到端DL医疗应用。

2026-08-03cs.AIcs.CV

Comp2Comp：用于计算机断层扫描图像分析的FDA批准人工智能算法开源软件

Comp2Comp: Open-Source Software with FDA-Cleared Artificial Intelligence Algorithms for Computed Tomography Image Analysis

Stanford Mussallem Center for Biodesign（斯坦福穆萨勒姆生物设计中心）；Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福医学与影像人工智能中心）；Stanford Department of Radiology（斯坦福放射科）；Stanford Division of Vascular Surgery, Department of Surgery（斯坦福血管外科 division，外科部）；University of Mississippi Medical Center Department of Data Science（密苏里大学医学中心数据科学部）

Comp2Comp开源软件通过FDA批准的人工智能算法，实现了腹主动脉量化和骨密度估计的高精度临床应用。

2026-02-10cs.CV

UniFLM：胎儿肢体超声图像的联合分割与测量

UniFLM: United Segmentation and Measurement on Fetal Limb Ultrasonic Image

Academy of Advanced Interdisciplinary Studies, Wuhan University（武汉大学高等研究院）；School of Computer Science, Wuhan University（武汉大学计算机学院）；Guangzhou Women and Children’s Medical Center（广州市妇女儿童医疗中心）；Institute of Artificial Intelligence, School of Computer Science, Wuhan University（武汉大学计算机学院人工智能研究所）

针对胎儿肢体超声图像的分割与测量难题，构建FLB数据集并提出UniFLM框架，通过多个模块实现精准骨评估，性能优于现有模型。

2026-10-05cs.CV

基于 YOLO 中关键区域与尺度感知的增强型骨折诊断

Enhanced Fracture Diagnosis Based on Critical Regional and Scale Aware in YOLO

Huazhong Agricultural University（华中农业大学）；Tianjin University（天津大学）

针对骨折检测中关键区域关注不足及多尺度识别难题，提出融合 CRSelector 注意力与 ScA 检测头的 Fracture-YOLO，显著提升检测精度并达到 SOTA。

2025-09-27cs.AIcs.CV

骨抑制和肺野分割何时改善胸部X射线疾病分类？

When does Bone Suppression and Lung Field Segmentation Improve Chest X-Ray Disease Classification?

University Medical Center Hamburg-Eppendorf（汉堡-埃彭多夫大学医学中心）；Hamburg University of Technology（汉堡工业大学）；Forschungszentrum Medizintechnik Hamburg（汉堡医学技术研究中心）；Philips Research（飞利浦研究院）

胸片是最常见的临床检查类型。为了提高病人护理的质量并减少工作量，已经开发了用于自动病理分类的方法。在这篇文章中，我们研究了两种先进的图像预处理技术的有用性，这些技术最初是为放射科医生阅读图像而开发的，用于深度学习方法的性能。首先，我们使用骨抑制，一种人工去除肋骨的算法。其次，我们采用自动肺野检测裁剪图像的肺部区域。此外，我们认为两者的结合在合奏方法的背景下。在一个五倍重抽样方案中，我们使用受试者工作特征（ROC）统计来评估预处理方法的效果。使用卷积神经网络（CNN），优化X射线分析，我们实现了良好的性能，平均而言，所有的病理。当使用预处理时，对于选定的病理获得了优异的结果，即对于肿块，ROC曲线下面积增加了9.95%。与预处理的训练模型的集成产生最佳的整体结果。

2018-10-17cs.CVcs.LG

用于鸟类骨骼分类的视觉与形态计量特征多模态融合

Multimodal fusion of visual and morphometric features for avian bone classification

本研究提出结合卷积神经网络图像分析与骨计量测量的多模态框架，用于鸟类骨骼分类，在骨骼类型分类准确率达86%，科级分类Top-1准确率51%、Top-3准确率75%，为AI辅助动物考古识别建立了方法学基线。

2026-07-30cs.AIcs.CV

几何算子卷积神经网络

Geometric Operator Convolutional Neural Network

USTC（中国科学技术大学）

近几十年来，卷积神经网络（CNN）在许多领域得到了成功的应用，但在处理许多实际问题时，它缺乏利用先验知识的能力。我们提出了一个称为几何算子卷积神经网络（GO-CNN）的框架，该框架使用领域知识，其中第一卷积层的内核被替换为由几何算子函数生成的内核。该框架集成了许多传统的几何运算符，使其能够适应各种各样的问题。在一定的条件下，我们从理论上分析了GO-CNN和普通CNN的收敛性和泛化误差的界。虽然几何算子卷积核比普通卷积核具有更少的可训练参数，但实验结果表明，GO-CNN CNN在CIFAR-10/100上的性能比普通CNN更准确。此外，GO-CNN减少了对训练样本数量的依赖，并增强了对抗稳定性。在医学诊断骨折的实际任务中，GO-CNN在召回率方面获得了3%的提高。

2018-09-04cs.CV

面向双平面X射线到三维形状重建的编码器-解码器架构基准测试

Benchmarking Encoder-Decoder Architectures for Biplanar X-ray to 3D Shape Reconstruction

NepAl Applied Mathematics and Informatics Institute for research (NAAMII)（尼泊尔应用数学与信息学研究所（NAAMII））

该研究构建开源基准框架，在6个公共数据集上公平评估8种双平面X射线到三维骨骼重建模型，揭示注意力架构、分组评估、解剖差异及Dice指标与临床参数估计之间的关系。

2023-09-26cs.CVcs.LGeess.IV

PF-DAformer：基于面向双中心 QCT 的域自适应 Transformer 进行股骨近端分割

PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT

Michigan Technological University（密歇根理工大学）；Kennesaw State University（肯尼索州立大学）；University of California, Irvine（加利福尼亚大学尔湾分校）；Tulane University School of Public Health and Tropical Medicine（杜兰大学公共卫生与热带医学院）

针对多机构 QCT 中因域偏移导致自动分割模型部署困难的问题，提出基于 3D TransUNet 结合 GRL 与 MMD 双重对齐策略的域自适应 Transformer 框架，实现了扫描仪无关的股骨近端分割。

2025-10-30cs.CVphysics.med-ph

多任务编码器-解码器网络中的级联学习：用于肩部CT扫描中并发骨分割与盂肱关节评估

Cascade learning in multi-task encoder-decoder networks for concurrent bone segmentation and glenohumeral joint assessment in shoulder CT scans

Politecnico di Milano（米兰理工大学）；Hospital ASST FBF-Sacco（FBF-Sacco医院）；Università di Pavia（帕维亚大学）

提出一种级联深度学习框架，通过3D CEL-UNet分割和3D Arthro-Net分类，在肩部CT扫描中并发实现骨分割与盂肱关节病理评估，分割精度与分类准确率均达约90%，推理时间少于15秒。

2024-10-16cs.AIcs.CVeess.IV

深度神经网络用于腕部骨折检测的临界评价

Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection

University of Oulu（奥卢大学）；Oulu University Hospital（奥卢大学医院）；City of Oulu（奥卢市）；Ailean Technologies Oy（艾利安技术公司）

腕部骨折是最常见的骨折类型，发病率很高。常规X线摄影（即X射线成像）通常用于腕部骨折检测，但偶尔骨折描绘会造成问题，需要通过计算机断层扫描（CT）进行额外确认以进行诊断。深度学习（DL）领域（人工智能（AI）的一个子领域）的最新进展表明，可以使用卷积神经网络自动进行手腕骨折检测。然而，以往的研究没有密切关注的困难情况下，只能通过CT成像证实。在这项研究中，我们开发并分析了一种用于腕部（桡骨远端）骨折检测的最先进的基于DL的管道- DeepWrist，并针对一个普通人群测试集和一个仅包含需要CT确认的病例的具有挑战性的测试集进行了评估。我们的研究结果表明，一个典型的最先进的方法，如DeepWrist，虽然在一般的独立测试集上具有近乎完美的性能，但在具有挑战性的测试集上的性能要低得多-平均精度分别为0.99（0.99-0.99）和0.64（0.46-0.83）。同样，ROC曲线下面积分别为0.99（0.98-0.99）和0.84（0.72-0.93）。我们的研究结果强调了在临床使用前对基于DL的模型进行细致分析的重要性，并揭示了测试医疗AI系统需要更具挑战性的设置。

2021-03-05cs.CVcs.LGeess.IV

CT和X射线中骨盆骨折分割技术的基准测试：PENGWIN 2024挑战总结

Benchmark of Segmentation Techniques for Pelvic Fracture in CT and X-ray: Summary of the PENGWIN 2024 Challenge

Beijing Rossum Robot Technology Co., Ltd.（北京罗素机器人科技有限公司）；Key Laboratory of Biomechanics and Mechanobiology, Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University（生物力学与机械生物学重点实验室，教育部，北京生物医学创新中心，生物科学与医学工程学院，北航）；Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学）；Division of Medical Image Computing, German Cancer Research Center (DKFZ)（医学影像计算部，德国癌症研究中心（DKFZ））；Helmholtz Imaging, Heidelberg（海德堡大学医院影像中心）；Smart Medical Imaging, Learning and Engineering (SMILE) Lab, Medical UltraSound Image Computing（智能医学影像、学习与工程（SMILE）实验室，医学超声影像计算）

本文通过PENGWIN 2024挑战评估了CT和X射线中骨盆骨折分割技术，发现CT分割准确率较高，但X射线分割仍需进一步改进，揭示了分割方法的多样性及片段定义的不确定性。

2025-12-30cs.AIcs.CVeess.IV

基于深度学习的4D光学相干断层扫描最大强度投影的2.5D流场估计

Deep learning based 2.5D flow field estimation for maximum intensity projections of 4D optical coherence tomography

Leibniz Universität Hannover（汉诺威莱布尼茨大学）；Institute of Mechatronic Systems（机电系统研究所）

在显微外科手术中，激光已经成为骨骼消融的精确工具。一个挑战是用4D光学相干断层扫描（OCT）自动控制激光骨消融。OCT作为高分辨率成像模式提供组织的体积图像，并预测骨位置和方向（姿态）以及厚度的信息。然而，用于基于OCT的激光消融控制的现有方法依赖于外部跟踪系统或侵入性消融的人工界标，用于跟踪OCT探头相对于组织的姿态。这可以通过估计由基于OCT的激光消融系统和患者之间的相对运动引起的场景流来代替。因此，本文讨论了2.5维场景流估计的体积OCT图像的应用在激光烧蚀。我们提出了一个半监督的卷积神经网络为基础的跟踪计划，随后的三维OCT卷，并将其应用到一个现实的半合成数据集的离体人体颞骨标本。场景流估计在一个两阶段的方法。在第一阶段中，2D横向场景流计算普查转换的en-face最大强度投影的参数。在此之后，通过预测的横向流来扭曲投影，并且估计1D深度流。神经网络的训练是半监督的，结合误差的地面真理和扭曲的图像与空间流平滑的假设重建误差。定量评价揭示了由OCT探头和骨之间的模拟相对运动引起的场景流估计的$ (4.7\pm{}3.5) $体素或$ 27.5 \pm 20.5 μ\mathrm{m} $的平均终点误差。4D OCT的场景流估计使其能够用于乳突骨结构的无标记跟踪，用于一般的图像引导和自动激光消融控制。

2019-02-19cs.CVcs.LGstat.ML