人工智能在运动系统医学影像领域应用的研究进展

郭晨倩; 何燕妮; 刘红梅

doi:10.3877/cma.j.issn.1672-6448.2025.03.012

中华医学超声杂志（电子版） >

2025 , Vol. 22 >Issue 03: 266 - 270

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2025.03.012

综述

人工智能在运动系统医学影像领域应用的研究进展

郭晨倩 ,
何燕妮 ,
刘红梅 ^,¹^,^†

展开

^1.510317 广州，暨南大学附属广东省第二人民医院超声科，肌骨运动医学超声研究所，广东省应急医学工程技术研究中心广东

刘红梅，Email：hongmeiliu3@163.com

Copy editor: 吴春凤

收稿日期: 2024-10-14

网络出版日期: 2025-06-10

基金资助

广东省第二人民医院优秀青年基金项目（2024E003）广州市特色技术项目（2023P-TS40）广东省医学科研基金（A2023043）广东省颐养健康慈善基金（JZ2022001-5）

版权

版权归中华医学会所有。

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。

除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。

收起

Advances in application of artificial intelligence in musculoskeletal imaging

Chenqian Guo ,
Yanni He ,
Hongmei Liu ^,^†

Expand

Received date: 2024-10-14

Online published: 2025-06-10

Copyright

No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.

All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.

Fold

本文引用格式

郭晨倩 , 何燕妮 , 刘红梅 . 人工智能在运动系统医学影像领域应用的研究进展[J]. 中华医学超声杂志（电子版）, 2025 , 22(03) : 266 -270 . DOI: 10.3877/cma.j.issn.1672-6448.2025.03.012

人工智能（artificial intelligence，AI）是近年来迅速发展的前沿技术之一^［1］，而机器学习（machine learning，ML）是其核心分支^［2］。深度学习（deep learning，DL）作为ML的子集，是当前AI发展最快的领域^［3］。运动系统疾病通常涉及骨关节及其周围的软组织，其准确诊断高度依赖于影像学检查^［4］。基于DL的AI技术能够从海量影像数据集中挖掘出潜在规律，进而转化为高效的“智能化”诊断工具，这一技术已在运动系统疾病的辅助诊断中发挥出重要作用，也陆续应用于临床实践中^［5］。本文旨在重点讨论AI技术在运动系统影像学领域的最新研究进展，特别是其在骨关节及软组织疾病诊断中的应用。

一、AI在骨关节病变中的应用

（一）骨骼疾病的AI辅助诊断

X线、CT和MRI是评估骨骼病变的重要影像学工具。X线因其成本效益高、操作简便而被广泛用于骨折的初步检查、骨龄和骨密度的评估。CT则因其高分辨率和三维成像能力，在复杂骨折、骨肿瘤的详细评估中发挥着关键作用，为临床提供了更精确的病变定位和结构分析。而MRI以其在软组织结构和病变显示方面的优势，在骨肿瘤的全面评估中发挥着不可或缺的作用。

多项研究已经证实，在X线和CT检查中，AI的应用能够显著提升骨折检测的敏感度，平均提高了10%，同时保持了诊断的高准确性^［6］。在骨龄评估方面，Larson等^［7］开发的基于DL的自动化骨龄评估模型，通过训练14 036张儿童手部X线片构建而成，结果显示其与儿科影像科专家的评估结果对比，误差极小，该模型显著提升了评估效率和准确性，缩短了阅片时间，部分模型已获美国食品药品监督管理局批准。Yasaka等^［8］利用卷积神经网络（convolutional neural networks，CNN）分析腹部CT图像，评估骨质疏松程度，其诊断骨质疏松症的受试者操作特征曲线的曲线下面积（area under the curve，AUC）值在内部和外部数据集上均超过0.96，显示该模型能有效利用常规CT影像估算骨密度，减轻了医院诊疗负担。肿瘤的良恶性鉴别对于临床治疗至关重要，它决定了治疗方案的制定和预后的评估。Chen等^［9］提出了1种创新性融合模型VGG16-ViT，该模型能够将骨肿瘤CT影像划分为良性、交界性和恶性3类，准确性达到97.6%。Eweje等^［10］使用基于MRI图像的DL模型结合患者年龄、性别等临床数据对原发性骨肿瘤进行分类，其诊断肿瘤良、恶性的AUC为0.82，与影像科专家表现相当，其对恶性肿瘤的诊断敏感度（79%）和特异度（75%）均较高。

随着超声医学的不断进步，超声技术因其无创、实时、动态、无辐射的优势，对骨骼病变的诊断价值逐渐被挖掘和认可。尤其在骨折的辅助诊断方面，超声不仅可以迅速、准确定位骨折部位，还可以清晰显示骨折形态、成角情况、移位方向。SonoBox是一种基于AI的自动化超声诊断系统，通过智能机器人和图像处理技术优化超声图像质量并辅助医师识别、诊断骨折，初步试验表明，其在儿童前臂骨折诊断中的准确性与X线相当，同时减少了辐射暴露和接触，提高了患者舒适度，使其成为比传统X射线更安全且高效的替代方案^［11］。

骨骼疾病的AI辅助诊断已广泛应用于X线和CT领域，尤其在病变检测、分类、分割及进展预测中展现了显著优势。相比之下，由于声波难以穿透正常骨皮质，超声在骨骼疾病中的应用相对有限。然而，在骨折边缘检测及儿童骨骼疾病诊断等特定场景中，超声因其无辐射、实时性等特点具有独特优势，特别是像SonoBox这样的创新技术，展示了将超声与AI结合的潜力，不仅提升了医师诊断的准确性，还为减少辐射暴露提供了高效替代方案。

（二）软骨病变的AI辅助诊断

软骨与半月板损伤是骨科常见问题，若未及时处理，可致骨关节病变或膝关节退变。MRI因其软组织分辨率高成为诊断软骨与半月板病变的首选影像学方法。尽管MRI对软骨病变的特异度较高，但敏感度仍然较低^［12］。研究表明，DL技术有助于提升MRI对软骨病变的诊断敏感度。Liu等^［13］开发的全自动膝关节软骨损伤诊断系统，通过2个二维CNN模型实现软骨分割与损伤评估，诊断效能（AUC＞0.91）接近影像科医师，敏感度和特异度分别为84%和85%。Pedoia等^［14］结合二维U-Net与三维CNN的诊断模型不仅能自动检测半月板损伤，还能进行损伤严重程度分级，其识别半月板损伤的敏感度达89.81%，特异度达81.98%；该模型检测轻度至中度半月板损伤的准确性高于高年资影像科医师水平（78.02% vs 66.48%）。

超声成像因其卓越的分辨率、实时成像能力、经济成本效益以及无辐射的特性，近年来已经成为MRI的重要补充手段。在软骨表面的评估方面，超声成像表现优异，例如，基于U-Net的CNN算法在膝关节软骨超声图像分割任务中取得了与专家相媲美的性能（Dice相似系数为0.87）^［15］。尽管超声成像在穿透骨皮质方面存在挑战，限制了其在损伤深度评估和分级方面的应用，但其在动态监测和床旁即时应用中具有独特优势。

软骨与半月板病变的早期诊断对患者的治疗和预后至关重要。MRI结合DL技术提升了软骨病变的诊断精度，超声则补充其不足，提供了动态评估的可能。尽管AI技术在影像诊断中取得了一定进展，模型精度与临床适用性仍面临巨大挑战。未来，随着更多AI算法获得临床认证，临床诊疗效率将进一步提高，影像科医师与AI的协作将更加频繁，他们将更多地承担AI系统的监控与质量控制职责。

（三）关节炎的AI辅助诊断

关节炎是一类以关节及其周围组织炎症为特征的疾病，导致患者出现慢性疼痛和功能障碍，严重者可导致永久性关节损伤甚至残疾。X线、CT和MRI是诊断骨关节炎的3种传统影像学检查方法。而近年来发展的肌骨超声不仅能显示软骨、骨皮质、关节间隙改变，还能显示滑膜炎症以及关节周围软组织病变，因此也被广泛应用于关节炎的影像学评估^［16］。这些影像技术相互补充，为关节炎的全面评估提供了重要依据。

然而，由于临床医师的知识水平和实践经验存在差异，对于影像学结果的评估常存在主观性和偏差，AI技术可以帮助减少这种主观性，实现自动化和标准化的影像分析。von Schacky等^［17］开发的多任务DL模型可从X线片中自动提取髋关节骨关节炎影像特征，其对骨赘和软骨下囊肿的诊断准确性分别为89%和97%。More和Singla^［18］提出基于ResNet50的DL模型，通过MRI（T1加权成像、T2加权成像和质子密度加权成像）结合Kelgren-Lawrence分类系统评估膝关节类风湿性关节炎严重程度，模型表现出高准确性（96.85%）、良好的分类性能（F1评分为97.26%）和高AUC值（0.98），平均绝对误差仅为0.015，为关节炎诊疗的标准化与个性化应用奠定了基础。此外，有学者将AI技术引入超声检查关节滑膜炎症中，结果证实AI不仅可用于分割滑膜及周围解剖结构，还能实现滑膜的准确分级^［19,20］，相关模型的诊断AUC值高达0.93^［20］，显著提高了超声对滑膜炎评估的效率和准确性。

AI在关节炎影像学领域表现出巨大潜力，为疾病诊断、分类和管理提供了机会。然而，当前研究多集中于单一影像特征的检测、分割和分级，缺乏对关节整体的综合分析，同时模型在稳定性和泛化能力方面仍有不足，漏诊与误诊率较高^［21］。由于不同的影像学手段对关节炎的诊断及评估具有互补优势，探索构建多模态影像协同应用的AI模型，有望实现关节病变的早期识别与动态监测，从而为精准个性化治疗提供有力支持。

二、AI在肌骨软组织病变中的应用

（一）韧带损伤的AI辅助诊断

韧带在维持关节稳定和支持运动中起着关键作用，其损伤可能加速关节退化甚至导致骨关节炎。MRI因其对软组织成像的高分辨率，成为诊断前交叉韧带（anterior cruciate ligament，ACL）撕裂的主要手段。然而，传统诊断方式依赖于影像科医师逐张分析MRI图像，耗时费力且易受医师主观因素影响。为提高诊断效率和准确性，Liu等^［22］开发了一种全自动ACL撕裂检测系统，利用3个独立的CNN模型对MRI图像进行自动分析。该系统检测ACL撕裂的AUC达0.98，敏感度和特异度分别达到96%和98%。与5名不同经验水平的影像科医师对比，该系统在诊断效能上与高年资影像科医师相当，为ACL损伤的自动化诊断提供了强有力的支持。

超声对于关节内韧带损伤的检查具有局限性，而对于关节周围韧带损伤的检查具有卓越优势，但仍不可避免存在操作者经验依赖性。由此，Singh等^［23］提出了1种基于AI的分割框架，用于辅助超声检查距腓前韧带损伤，实现了高效且准确的距腓前韧带损伤的评估，诊断结果的变异系数低于5%。该研究表明，AI技术在超声图像分割和距腓前韧带损伤的评估中具有显著的临床价值，为实时、快速的诊断提供了可行方案。

韧带作为小而复杂的解剖结构，因其常与周围组织重叠，AI在分割和分类时面临更高的精度要求，其在细微病变的识别中仍存在一定局限。尽管如此，上述研究的AI模型已在诊断效能上接近甚至达到高年资影像科医师水平，展示了AI在复杂解剖结构诊断中的潜力。未来的研究应重点解决细微病变识别能力不足的问题，通过结合多中心数据和优化算法，进一步提高AI模型的鲁棒性和精度，为精准、智能的骨关节疾病诊疗提供更强有力的支持。

（二）肌腱病变的AI辅助诊断

肌腱损伤或退行性病变可导致运动功能障碍，早期精准诊断对优化临床决策和改善预后至关重要。超声与MRI是肌腱病变的主要影像学评估手段，但传统方法易受操作者经验影响，缺乏标准化的定量评估指标。近年来，AI通过自动化图像分析、定量评估及预后预测，为提高肌腱病变诊断的客观性和一致性提供了新思路。

Chiu等^［24］基于DenseNet-121研发的AI辅助超声诊断模型，在7836例冈上肌腱钙化性病变数据集上表现良好，其诊断准确性达91.3%（敏感度为87.9%，特异度为94.7%），并显著缩短了医师阅片时间，阅片时间从4.2 min减少至47 s（P＜0.001），同时提高了不同年资医师的诊断一致性（Kappa值由0.62提升至0.88）。Ghosh等^［25］采用改进的VGG-16模型训练11 600张肩关节超声图像，实现肩袖肌腱全层撕裂的自动诊断，准确性达85.2%，较U-Net模型提高12.7%（P＜0.01）。该模型结合自适应感兴趣区域定位技术，将假阳性率降至8.3%，并通过可视化热力图提高模型的可解释性，增强了临床应用价值。此外，Kapinski等^［26］开发了一种基于CNN的MRI影像分析模型，用于自动评估跟腱愈合进展，该模型利用肌腱结构变化、增厚、边缘清晰度、水肿等6项关键形态学指标进行动态监测，结果显示AI在纤维连续性（AUC=0.91）、损伤面积变化（AUC=0.87）及肌腱水肿（AUC=0.89）3项指标上达到影像科医师的诊断水平，并可减少80% MRI扫描序列的应用，提高了诊断效率，同时提供了更精准的预后预测。

未来，结合超声的实时成像优势与MRI的高分辨率特性，并借助迁移学习和跨中心大数据的优化，AI将可能推动肌腱损伤分级标准的重构，并且辅助个性化康复方案的制定。

（三）肌肉病变的AI辅助诊断

肌肉病变的发展常伴随肌少症、炎症及肌肉质量下降，并与老龄化及代谢性疾病密切相关。与骨骼疾病评估不同，肌肉病变的AI分析主要依赖于自动分割、病变分类及组织成分分析，目前相关研究仍处于探索阶段。Gu等^［27］开发了一种基于DL的AI身体部位测量系统，用于辅助诊断肌少症，利用U-Net模型对腹部CT图像中的肌肉区域进行自动分割并计算肌肉面积与体积，对肌少症的诊断AUC达0.874。Yi等^［28］使用深度CNN结合灰阶超声和剪切波弹性成像评估肌少症，灰阶超声主要反映肌肉内脂肪浸润和纤维化等组织学变化，剪切波弹性成像用以量化肌肉硬度以评估纤维化或弹性降低程度，两者结合的诊断准确性达80%。此外，Burlina等^［29］开发的DL模型可基于超声图像实现肌肉炎性病变的分类，将肌肉分类为正常、包涵体肌炎、多发性肌炎和皮肌炎4类，其分类准确性达86.6%。AI的自动化分析不仅提高了检测精准度，还减少了人为误差，为肌肉病变的诊断和随访提供了更客观、标准化的评估手段。

（四）软组织肿瘤病变的AI辅助诊断

在软组织肿瘤诊断中，Wang等^［30］利用CNN模型对超声图像中的软组织肿块进行良恶性分类，结果显示区分良恶性肿瘤的准确性为79%，区分脂肪瘤、良性周围神经鞘肿瘤和血管畸形3种良性软组织肿物的准确性为71%，证实了基于CNN的模型对超声图像中描述的软组织肿瘤进行分类的可行性，特别是在鉴别良恶性肿瘤方面表现出较好的诊断价值。此外，Xu等^［31］采用基于DL的多模态影像融合方法，结合MRI与CT数据，实现了软组织肉瘤的智能分级，其模型的分类准确性达到85%，显著优于传统影像学方法。

这些研究表明，AI不仅能提升单一影像模式下的诊断准确性，还能通过多模态融合的方式优化疾病评估，从而推动软组织肿瘤影像分析从简单的病灶检测向更精准的综合诊疗转变，为软组织肿瘤疾病的个性化治疗与管理提供更全面的支持。

（五）周围神经病变的AI辅助诊断

周围神经病变可能由糖尿病、自身免疫性疾病、遗传性疾病等多种因素引起，早期识别和治疗对于控制症状、避免进一步伤害和改善预后至关重要。AI技术在周围神经的影像学评估中的应用潜力巨大，特别是在感兴趣区域的精确定位和神经分割方面。Balsiger等^［32］开发了一种基于全卷积网络的全自动分割方法，该方法能够快速识别和分割外周神经结构。在使用健康志愿者和坐骨神经病患者的标准MRI图像评估时，该模型的精度与手动分割相当，但分割时间从传统方法的20 min缩短至不足1 s，显著提升了诊断效率。这一技术为MRI在神经病变的自动化分析中提供了有力支持。此外，DL技术已被广泛应用于多个神经的超声自动分割，包括肌皮神经、正中神经、尺神经、桡神经^［33,34］、股神经^［35］和臂丛神经，其平均交并比超过0.9^［36］。Wu等^［37］利用DeepLabV3+和Mask R-CNN模型对正中神经进行动态超声自动分割，交并比达0.83，验证了DL技术在腕管综合征诊断中的可行性。此外，结合超声弹性成像技术，AI能够测量神经组织的硬度，进一步提升了神经形态与硬度分析的临床价值^［38］。

由于影像分辨率限制及解剖结构复杂，AI在精准捕捉周围神经病变特征方面仍存在一定局限性。此外，高质量数据标注往往需要专业医师投入大量时间和资源。目前的研究主要集中在上肢神经病变领域，随着技术的进步，AI有望拓展至其他类型周围神经病变的诊断领域^［39］，并通过交叉面积等定量特征分析，协助医师高效监测病变进展。

三、局限性与挑战

AI在医学影像领域展现出巨大的潜力，但其在处理复杂病变时的局限性也不容忽视。在面对一些罕见病变或影像表现不典型的病例时，AI的诊断能力显著下降。有研究报道，由于骨肿瘤和关节病变常具有相似的影像学特征，尤其在肿瘤边界不清晰时，AI的误诊率可能上升^［40］。多模态数据融合（如CT与X线）可进一步整合诊断证据，提升复杂病例AI辅助诊断的可靠性。另外，为解决AI的“黑箱”问题，研究者们开发了Grad-CAM、LIME和SHAP等可解释性技术，通过可视化模型关注区域或量化特征影响。Park等^［41］将Grad-CAM用于骨肿瘤检测，可直观显示AI聚焦的病变区域，有助于医师做出更准确的诊断及决策。

除此之外，AI在运动系统影像学中仍需面对设备间数据质量差异和伦理问题的挑战。不同影像设备（如CT、MRI、超声、X线）的成像差异限制了模型在多平台的表现。为解决此问题，研究者推动多中心数据共享和标准化（包括成像设备校准和数据处理规范）、跨机构协作和大规模多模态数据库的建设。例如，骨关节炎影像大数据平台通过汇聚来自全球的多模态影像数据，包括超过4800例受试者的长期随访数据和X线、MRI影像及相关临床信息，不仅为骨关节炎的早期诊断和进展监测提供了宝贵资源，也为AI模型的验证和优化提供了坚实基础^［42］。由于AI模型的开发和优化需要大量患者数据，其中可能包含敏感的健康信息，因此，确保数据在存储、传输和使用过程中的安全，避免数据泄露、滥用或未经授权的访问，是AI在医疗应用中的重要任务，也是未来AI在医疗影像领域广泛应用的基础。

四、结语与展望

与其他临床数据相比，影像学凭借丰富的客观数字化信息，成为了AI应用的理想领域。据统计，75%获得美国食品药品监督管理局批准的AI医疗设备均应用于影像学领域，这突显了其在医疗AI应用中的核心地位^［43］。目前，AI研究主要集中在X线、CT及MRI等影像模态，这些技术不仅数据标准化程度高，而且内容丰富，为AI模型的开发提供了显著优势。然而，在超声领域，AI的研究尚处于起步阶段。超声影像高度依赖操作者的经验，且缺乏统一的采集和标注标准，其动态特性和非标准切面特性为AI开发带来了额外挑战。此外，不同医院间的数据差异、图像质量不一致等问题，也进一步影响了AI模型的训练效果和临床应用^［44］。同时，现有AI模型通常只能处理单一或有限的诊断结果，而肌骨系统疾病的复杂性要求大量的鉴别诊断，这使得AI目前尚不能完全替代影像科医师的角色。

尽管如此，AI的发展正逐步改变影像科医师的工作流程，通过减轻重复性任务，使他们能够更专注于复杂的诊断和治疗决策。在三级甲等医院，影像科已实现了AI辅助骨折的影像学初筛，并经由高年资医师审核，显著提高了诊断效率及准确性^［45］。而在资源有限的基层医疗机构中，AI的应用应着重于发展远程结合AI的影像诊断工具，这不仅能借助上级医院的专业诊疗能力，还能实现医疗资源的高效配置和优化。当然，AI技术目前尚不能完成所有复杂任务。但随着多中心高质量数据库的构建和算法的不断优化，AI在运动系统医学影像学领域的应用前景依然广阔。未来的研究应侧重于提高数据质量、增强模型稳健性与通用性、促进其融入临床工作流程以及解决伦理和法律问题，通过克服这些挑战，并依靠医务人员和技术开发者的共同努力，有望充分发挥AI潜力，推动医疗行业的变革，进而改善患者的治疗效果。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	罗渝昆，杨振，李盈盈. 人工智能辅助超声系统在浅表肿瘤良恶性鉴别诊断中的应用［J/OL］. 中华医学超声杂志（电子版）， 2023，20（5）： 475-478.

2	LeCun Y， Bengio Y， Hinton G. Deep learning ［J］. Nature， 2015，521（7553）： 436-444.

3	Chartrand G， Cheng PM， Vorontsov E， et al. Deep learning： a primer for radiologists ［J］. Radiographics， 2017， 37（7）： 2113-2131.

4	Gyftopoulos S， Lin D， Knoll F， et al. Artificial intelligence in musculoskeletal imaging： current status and future directions ［J］. AJR Am J Roentgenol， 2019， 213（3）： 506-513.

5	Guermazi A， Omoumi P， Tordjman M， et al. How AI may transform musculoskeletal imaging ［J］. Radiology， 2024， 310（1）： e230764.

6	Wu M， Chai Z， Qian G， et al. Development and evaluation of a deep learning algorithm for rib segmentation and fracture detection from multicenter chest CT images ［J］. Radiol Artif Intell， 2021， 3（5）：e200248.

7	Larson DB， Chen MC， Lungren MP， et al. Performance of a deeplearning neural network model in assessing skeletal maturity on pediatric hand radiographs ［J］. Radiology， 2018， 287（1）： 313-322.

8	Yasaka K， Akai H， Kunimatsu A， et al. Prediction of bone mineral density from computed tomography： application of deep learning with a convolutional neural network ［J］. Eur Radiol， 2020， 30（6）： 3549-3557.

9	Chen W， Ayoub M， Liao M， et al. A fusion of VGG-16 and ViT models for improving bone tumor classification in computed tomography ［J］. J Bone Oncol， 2023， 43： 100508.

10	Eweje FR， Bao B， Wu J， et al. Deep learning for classification of bone lesions on routine MRI ［J］. EBioMedicine， 2021， 68： 103402.

11	Ernst F， Osburg J， Tüshaus L. SonoBox： development of a robotic ultrasound tomograph for the ultrasound diagnosis of paediatric forearm fractures ［J］. Front Robot AI， 2024， 11： 1405169.

12	Albano D， Viglino U， Esposito F， et al. Quantitative and compositional MRI of the articular cartilage： a narrative review ［J］. Tomography，2024， 10（7）： 949-969.

13	Liu F， Zhou Z， Samsonov A， et al. Deep learning approach for evaluating knee MR images： achieving high diagnostic performance for cartilage lesion detection ［J］. Radiology， 2018， 289（1）： 160-169.

14	Pedoia V， Norman B， Mehany SN， et al. 3D convolutional neural networks for detection and severity staging of meniscus and PFJ cartilage morphological degenerative changes in osteoarthritis and anterior cruciate ligament subjects ［J］. J Magn Reson Imaging， 2019，49（2）： 400-410.

15	Antico M， Sasazawa F， Dunnhofer M， et al. Deep learning-based femoral cartilage automatic segmentation in ultrasound imaging for guidance in robotic knee arthroscopy ［J］. Ultrasound Med Biol， 2020，46（2）： 422-435.

16	Molyneux P， Bowen C， Ellis R， et al. Evaluation of osteoarthritic features in peripheral joints by ultrasound imaging： a systematic review ［J］. Osteoarthr Cartil Open， 2021， 3（3）： 100194.

17	von Schacky CE， Sohn JH， Liu F， et al. Development and validation of a multitask deep learning model for severity grading of hip osteoarthritis features on radiographs ［J］. Radiology， 2020， 295（1）：136-145.

18	More S， Singla J. A generalized deep learning framework for automatic rheumatoid arthritis severity grading ［J］. J Intell Fuzzy Syst， 2021，41（6）： 7603-7614.

19	Hemalatha RJ， Vijaybaskar V， Thamizhvani TR. Automatic localization of anatomical regions in medical ultrasound images of rheumatoid arthritis using deep learning ［J］. Proc Inst Mech Eng H， 2019， 233（6）：657-667.

20	Andersen JKH， Pedersen JS， Laursen MS， et al. Neural networks for automatic scoring of arthritis disease activity on ultrasound images ［J］.RMD Open， 2019， 5（1）： e000891.

21	李雪兰，王铭，赵辰阳，等. 人工智能在类风湿关节炎肌骨超声成像中的应用研究进展［J/OL］. 中华医学超声杂志（电子版）， 2023，20（12）： 1300-1303.

22	Liu F， Guan B， Zhou Z， et al. Fully automated diagnosis of anterior cruciate ligament tears on knee MR images by using deep learning ［J］.Radiol Artif Intell， 2019， 1（3）： 180091.

23	Singh V， Elamvazuthi I， Jeoti V， et al. Impacting clinical evaluation of anterior talofibular ligament injuries through analysis of ultrasound images ［J］. Biomed Eng Online， 2016， 15： 13.

24	Chiu PH， Boudier-Révéret M， Chang SW， et al. Deep learning for detecting supraspinatus calcific tendinopathy on ultrasound images ［J］.J Med Ultrasound， 2022， 30（3）： 196-202.

25	Ghosh S， Felfeliyan B， Zhou Y， et al. Ultrasound for automated classification of full-thickness rotator cuff tendon tears using deep learning ［C］// Proceedings of the 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）.Piscataway： IEEE， 2024： 1-4.

26	Kapinski N， Zielinski J， Borucki BA， et al. Estimating Achilles tendon healing progress with convolutional neural networks ［C］// Medical Image Computing and Computer Assisted Intervention-MICCAI 2018：Proceedings of the 21st International Conference. Cham： Springer，2018： 949-957.

27	Gu S， Wang L， Han R， et al. Detection of sarcopenia using deep learning-based artificial intelligence body part measure system（AIBMS）［J］. Front Physiol， 2023， 14： 1092352.

28	Yi J， Shin Y， Hahn S， et al. Deep learning based sarcopenia prediction from shear-wave ultrasonographic elastography and gray scale ultrasonography of rectus femoris muscle ［J］. Sci Rep， 2022， 12（1）：3596.

29	Burlina P， Billings S， Joshi N， et al. Automated diagnosis of myositis from muscle ultrasound： exploring the use of machine learning and deep learning methods ［J］. PLoS One， 2017， 12（8）： e0184059.

30	Wang B， Perronne L， Burke C， et al. Artificial intelligence for classification of soft-tissue masses at US ［J］. Radiol Artif Intell， 2021，3（1）： e200125.

31	Xu R， Tang J， Li C， et al. Deep learning-based artificial intelligence for assisting diagnosis， assessment and treatment in soft tissue sarcomas［J］. Meta-Radiology， 2024， 2（2）： 100069.

32	Balsiger F， Steindel C， Arn M， et al. Segmentation of peripheral nerves from magnetic resonance neurography： a fully-automatic， deep learning-based approach ［J］. Front Neurol， 2018， 9： 777.

33	Smistad E， Johansen KF， Iversen DH， et al. Highlighting nerves and blood vessels for ultrasound-guided axillary nerve block procedures using neural networks ［J］. J Med Imaging （Bellingham）， 2018， 5（4）：044004.

34	Yeh CL， Wu CH， Hsiao MY， et al. Real-time automated segmentation of median nerve in dynamic ultrasonography using deep learning ［J］.Ultrasound Med Biol， 2023， 49（5）： 1129-1136.

35	Huang C， Zhou Y， Tan W， et al. Applying deep learning in recognizing the femoral nerve block region on ultrasound images ［J］. Ann Transl Med， 2019， 7（18）： 453.

36	Liu C， Liu F， Wang L， et al. Segmentation of nerve on ultrasound images using deep adversarial network ［J］. Int J Innov Comput Inform Control， 2018， 14： 53-64.

37	Wu CH， Syu WT， Lin MT， et al. Automated segmentation of median nerve in dynamic sonography using deep learning： evaluation of model performance ［J］. Diagnostics （Basel）， 2021， 11（10）： 1893.

38	Taljanovic MS， Gimber LH， Becker GW， et al. Shear-wave elastography： basic physics and musculoskeletal applications ［J］.Radiographics， 2017， 37（3）： 855-870.

39	Jiang Y， Liu X， Jiang ZJ. From morphology to therapeutic strategies：exploring new applications of ultrasound for diabetic peripheral neuropathy diagnosis and management ［J］. J Ultrasound Med， 2024，43（12）： 2231-2245.

40	Sabeghi P， Kinkar KK， Castaneda GDR， et al. Artificial intelligence and machine learning applications for the imaging of bone and soft tissue tumors ［J］. Front Radiol， 2024， 4： 1332535.

41	Park CW， Oh SJ， Kim KS， et al. Artificial intelligence-based classification of bone tumors in the proximal femur on plain radiographs： system development and validation ［J］. PLoS One， 2022，17（2）： e0264140.

42	Cigdem O， Deniz CM. Artificial intelligence in knee osteoarthritis： a comprehensive review for 2022 ［J］. Osteoarthr Imaging， 2023， 3（3）：100161.

43	Langlotz CP. The future of AI and informatics in radiology： 10 predictions ［J］. Radiology， 2023， 309（1）： e231114.

44	Whang SE， Roh Y， Song H， et al. Data collection and quality challenges in deep learning： a data-centric AI perspective ［J］. VLDB J，2023， 32（4）： 791-813.

45	Yogendra PM， Goh AGW， Yee SY， et al. Accuracy of radiologists and radiology residents in detection of paediatric appendicular fractures with and without artificial intelligence ［J］. BMJ Health Care Inform，2024， 31（1）： e101091.

Options

文章导航

模态框（Modal）标题