深度学习在肌骨超声中的应用进展

冯国涛; 崔立刚

doi:10.3877/cma.j.issn.1672-6448.2025.06.003

中华医学超声杂志（电子版） >

2025 , Vol. 22 >Issue 06: 516 - 521

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2025.06.003

述评

深度学习在肌骨超声中的应用进展

冯国涛 ,
崔立刚 ^,^†

展开

100080　北京大学第三医院超声科

通信作者：

崔立刚，Email：cuiligang_bysy@126.com

Copy editor: 汪荣

网络出版日期: 2025-08-01

版权

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。本刊为电子期刊，以网刊形式出版。

收起

Progress in application of deep learning in musculoskeletal ultrasound

Guotao Feng ,
Ligang Cui ^,^†

Expand

Online published: 2025-08-01

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

冯国涛 , 崔立刚 . 深度学习在肌骨超声中的应用进展[J]. 中华医学超声杂志（电子版）, 2025 , 22(06) : 516 -521 . DOI: 10.3877/cma.j.issn.1672-6448.2025.06.003

肌骨系统疾病广泛发生于各类人群中，是导致慢性疼痛和功能障碍的主要原因之一，严重影响患者的生活质量。超声成像因具有非侵入性、实时动态、操作便捷及成本较低的特点，已被广泛应用于骨骼、肌腱、韧带、关节与软组织的评估^[1,2] 。然而，超声图像质量常受操作者技能、设备设置及组织声学特性等因素影响，诊断高度依赖个人经验，主观性强，缺乏统一标准，制约了其临床推广与科研价值拓展。

近年来，随着图像算法及计算平台的持续进步，人工智能技术在医学图像领域快速发展，推动超声诊断从传统的经验驱动模式逐步转向以数据为核心的智能分析。在肌骨系统应用方面，人工智能可辅助完成组织结构识别、病灶特征提取及疾病分类，提高诊断效率与标准化水平^[1] 。此外，大型语言模型如GPT-4的出现，使自然语言报告的理解、结构化与生成成为可能，进一步扩展了人工智能在肌骨超声中的应用边界。

本文旨在全面回顾肌骨超声人工智能的关键研究成果，围绕其技术机制、典型临床应用场景与面临的现实挑战展开，重点分析图像分割、病灶识别、报告生成、辅助教学与操作引导等前沿应用，并结合当前热点探讨如通用模型、多模态学习、联邦训练与模型可解释性等未来发展方向。

一、人工智能技术机制

肌骨超声中的人工智能技术主要基于两类架构：传统机器学习和深度学习。前者依赖人工特征提取与浅层分类器，适用于样本量小且结构清晰的任务；而后者通过多层神经网络自动提取图像特征，适合非结构化、复杂图像的建模与分析。

（一）深度学习架构与应用

深度学习方法直接从原始数据中学习特征，而非依赖人工设计特征，其彻底改变了超声图像分析的方式。其中，卷积神经网络（convolutional neural networks，CNN）是当前应用最广泛的架构。CNN由可学习的卷积滤波器（卷积层）、池化层与全连接层交替构成。卷积层可将输入图像"压缩"为多通道的特征图，突出相关模式，而池化层则对特征图进行下采样，聚焦于激活强度更高的区域，从而提升模型对关键结构的识别能力^[1,3]。这种深层的层级结构使得CNN能够在多个抽象层次上提取图像特征，广泛应用于解剖结构分割与病理分类等任务^[1,3]。例如，近期有研究利用基于CNN的U-Net架构，从肌骨超声图像中自动分割肌肉、肌腱、软骨和滑膜组织，取得了良好效果^[1]。

在医学超声图像分析中，CNN是最常见的深度学习模型。包括U-Net、ResNet、DenseNet等结构，已被广泛应用于图像分割、分类与目标检测任务^[1,4]。例如，Chen等^[4]基于U-Net构建的前臂肌肉自动分割算法，其重叠率超过90%，99%的结果被专家评为"优秀"，接近人工标注的水平。这类模型通常采用监督学习方法训练，将专家标注的图像集划分为训练集、验证集和测试集，以评估模型性能。当标注数据较少时，研究者常使用迁移学习（在大规模图像数据集上预训练）和数据增强（如随机翻转、旋转、弹性变形、模拟噪声等）等策略，以提升模型的泛化能力。

近年来，Transformer架构因其出色的上下文建模能力，开始应用于超声图像分析。Vision Transformer（ViT）和Swin Transformer在肌骨图像分类任务中表现优异。ViT将图像划分为若干块（patch），利用自注意力机制建模图像的全局上下文。与CNN通过局部卷积提取特征不同，ViT可直接捕捉图像各区域之间的长期依赖关系^[5]。这种机制有助于模型理解图像整体结构及复杂的空间关系。当前，一些新兴的混合模型结合了CNN与Transformer的优势，例如双路径网络先使用CNN提取局部特征，再通过Transformer模块融合跨模态（如超声与MRI）或时间序列信息^[6]。Zhou等^[7]基于Swin Transformer构建的双阶段网络在肘关节超声图像分类中准确率超过97%，较传统CNN提升约5%。

此外，生成对抗网络（generative adversarial network，GAN）也广泛应用于超声图像的增强与合成，旨在改善成像质量，缓解对比度低与噪声大的问题，从而为深度学习模型提供更高质量的训练数据。GAN由生成器与判别器组成，前者负责合成图像，后者则判断图像的真伪。通过对抗训练，生成器可生成高度逼真的图像。GAN已用于医学图像的数据增强与图像翻译，例如合成不同视角的组织图像、添加或去除斑点等^[8]。Cronin等^[9]使用cycleGAN，根据底层解剖标签生成逼真的小腿肌肉B模式超声图像，并借此构建具备自动分割标签的大型训练数据集。此外，GAN也被用于斑点噪声抑制与分辨率增强。Dietrichson等^[10]提出了一种基于GAN的实时B模式图像斑点去除方法，可在轻度模糊的基础上提供更清晰的图像输出；Hyun等^[11]使用全卷积神经网络（作为GAN的生成器）生成斑点抑制后的超声图像，其损失函数依据超声物理特性设计^[12]。总体而言，基于CNN与GAN的图像增强技术正逐步成为应对超声图像低信噪比与可变分辨率等挑战的有效预处理手段^[1,12]。

（二）多模态与语言模型的融合

大型语言模型的快速发展推动了人工智能在自动报告生成方面的应用。GPT-4等模型具备强大的语义理解与生成能力，能够将自由文本报告转化为结构化描述，或自动生成标准报告。Jiang等^[13]研究表明，GPT-4在甲状腺结节分类报告生成中的准确率达到69.3%，远高于GPT-3.5的34.5%。

然而，图像在进入多模态模型之前，往往需经过较复杂的预处理流程，才能与其他模态更好地对齐。因此，在实现语言模型与图像模态有效融合之前，图像预处理仍是不可忽视的一环。超声图像常受到诸如斑点噪声与杂波等伪影干扰，传统滤波方法（如各向异性扩散与非局部均值滤波）虽可在一定程度上降噪^[12]，但往往会模糊结构边缘或丢失重要细节。现代深度学习方法则倾向于直接学习任务特定的增强策略。例如，可通过端到端训练的CNN模型，将原始B模式图像映射为更清晰或更高分辨率的版本，无需显式的滤波处理^[12]。常见的数据准备步骤还包括图像强度归一化（以校正增益差异）、裁剪感兴趣区域（如关节空间），以及采用仿真实际变换的数据增强。

多模态学习正在成为超声人工智能领域的重要发展方向。在图像输入方面，一些研究不仅使用传统B模式图像，还融合了弹性成像、彩色多普勒、MRI以及血清生物标志物等信息。多模态神经网络结构一般采用双分支或多分支设计，各分支分别处理不同模态，随后融合其特征；或通过跨模态注意力机制实现信息对齐与集成，从而有效整合来自不同来源的数据^[6]。例如，骨关节炎的相关研究已尝试将超声弹性成像、MRI与血清学指标统一输入至联合模型中，以识别与早期关节退变相关的潜在"表型"^[6]。

在融合策略方面，基于Transformer架构的融合模型展现出独特优势。该类模型利用自注意力或交叉注意机制建模通道之间的复杂依赖关系，从而实现更精准的模态间特征协同^[6]。这使其在多模态诊断任务中具有更强的表现力和泛化能力。

当前，多模态学习已成为研究热点。以通用超声基础模型（universal sonography foundation model，USFM）为代表的新型模型，通过自监督在数百万张跨机构、跨部位的超声图像中进行预训练，仅需约20%的标注即可达成与全监督方法相当的性能^[14] ，显示出未来人工智能模型在通用性与低标注学习方面的潜力。

二、临床应用

近年来，人工智能技术在肌骨超声的多个临床场景中展现出显著应用潜力，涵盖骨折检测、肌腱与韧带病变识别、炎症性关节疾病评估、神经肌肉结构分析、关节功能动态监测及诊疗流程辅助等多个方面。

在骨折筛查中，人工智能算法被用于提升儿科骨折的识别效率。Knight等^[15]以127例儿童桡骨远端骨折病例为基础，构建的二维与三维超声图像预测模型，在敏感度上分别达到0.91与1.00，性能与放射科专家相当，验证了其在无创、床旁快速筛查中的临床实用性。

在肌腱与韧带损伤识别方面，深度学习模型被成功应用于如肩袖肌腱撕裂等常见病变的识别任务。Ho等^[16]基于DenseNet121等多种CNN模型对肩袖损伤进行分类，最高准确率达88.2%，敏感度高达93.8%。Alzyadat等^[17]提出的CNN框架能够自动分割超声图像中的跟腱区域，进而实现肌腱厚度的自动测量。Jahanifar等^[18]基于超声图像训练CNN模型，用于冈上肌腱病变识别，准确率约为91%；Chiu等^[19]在识别冈上肌钙化性肌腱炎方面也获得了类似的准确性表现^[1]。这些基于病理标注图像训练的模型，有助于标准化肩袖撕裂、肌腱病等常见肌腱病变的诊断过程。除了解剖结构的分割，部分人工智能模型还可量化纹理和结构变化，提高对复杂病灶的识别能力。同时，GAN合成的高质量肌腱和肌肉解剖数据集（如Cronin等^[9]的研究）也被用于在数据稀缺场景下训练更具鲁棒性的网络。其他研究进一步表明，人工智能在识别钙化性肌腱病、部分或完全断裂等复杂病理情形下，具备良好的泛化性能与稳定性^[16,20]。

深度学习在类风湿关节炎和其他关节炎中，主要研究目标是滑膜炎症。针对关节滑膜炎等炎症性疾病，人工智能可辅助识别滑膜增厚、血流信号等关键征象，并对炎症程度实现定量评估。已有基于多模态超声（灰阶、动态灰阶、多普勒）与深度学习相结合的自动评分模型应用于类风湿关节炎患者的炎症活动监测，结果与多名影像专家评分高度一致，具备良好的临床适用性^[21]。Özçakar等^[20]也指出，人工智能在滑膜增生与钙化性病变识别中可提供快速、准确的智能提示。例如，Tang等^[22]开发的深度CNN模型，可基于四级评分标准对类风湿关节炎患者的滑膜增生情况进行分类，准确率超过90%^[1]。典型的计算机辅助设计工作流程包括识别关节边界与滑膜感兴趣区域，分割滑膜组织后应用CNN分类器评估炎症严重程度。最新模型常融合灰阶与多普勒图像，通过注意力机制聚焦相关解剖区域，从而在滑膜炎的检测中实现高敏感度和人机评分一致性^[1]。人工智能也被用于治疗反应监测。Kato等^[23]通过无监督机器学习方法[随机森林结合均匀流形近似和投影（uniform manifold approximation and projection，UMAP）降维技术]，基于滑膜炎、腱鞘炎和附着点炎的超声评分，将类风湿关节炎与脊柱关节炎患者划分为临床反应显著差异的亚群（根据美国风湿病学会20/50/70评分）^[24]。这提示人工智能可辅助建立与治疗反应相关的超声"表型"，用于患者分层和个体化治疗决策支持。

在神经肌肉系统的超声评估中，人工智能算法展现出高精度组织分割与关键参数自动测量方面的强大能力。Chen等^[4]开发的前臂肌肉自动分割系统，其标注结果与专家高度一致，99%的结果被评价为"优秀"。Burlina等^[25]利用CNN对肌肉超声图像中的不同炎症性肌病进行分类，发现CNN在二分类任务中准确率达到76%～87%，优于传统机器学习方法（68%～84%）^[26]。深度学习方法已被用于真实地实时分割肌肉（如股直肌）^[26]。这些工具可以支持临床医师诊断神经肌肉疾病或监测康复。例如，人工智能模型可自动识别腕管正中神经并测量其横截面积，为腕管综合征等疾病提供结构与量化的诊断依据^[20]。在周围神经卡压综合征中，人工智能辅助的超声分析正逐步推进标准化诊断。传统上，正中神经的识别与测量高度依赖操作者经验。近年来，有研究提出结合CNN与放射组学纹理分析的模型，能够自动检测神经并识别肿胀程度或回声特征变化，初步证据表明该方法可提升腕管综合征的诊断准确性^[27]。类似策略正被扩展至尺神经病变与胫神经卡压（如跗管综合征），以期建立更一致、可量化的诊断流程。

在关节功能分析方面，人工智能技术可利用动态图像提取关节运动轨迹及运动学参数，从而量化关节活动度与功能障碍水平，其优于传统体格检查，适用于微小运动异常的动态评估^[20]。这对于早期功能异常或康复效果监测具有重要意义。近年来，人工智能技术被用于自动化分割软骨结构，并对超声图像中的软骨厚度进行测量。例如，有研究应用CNN对膝关节软骨进行精确分割，并提取其厚度参数，以支持疾病严重程度的量化评估^[1]。此外，通过直方图均衡和融合超声物理知识的CNN滤波器，可显著提升软骨边界的成像对比度与清晰度^[1]。更先进的研究尝试将超声成像与MRI、血清生物标志物[如Ⅱ型胶原C端肽（C-telopeptide of type Ⅱ collagen，CTX-Ⅱ）]等数据整合，构建多模态的人工智能分析平台。例如，在一种集成MRI T2映射、超声弹性成像与软骨降解标志物的管道中，机器学习技术被用于生成早期骨关节炎的新"表型"，并据此实现患者的疾病阶段分类与进展风险预测^[6]。这种多模态融合策略预示未来的人工智能工具将不仅限于图像分析，还将整合实验室与成像数据，实现更全面的早期骨关节炎诊断与个体化治疗决策支持。

在诊疗流程辅助层面，人工智能不仅提升图像识别效率，还可辅助引导操作及标准化扫描流程。Chen等^[4]的注射辅助系统通过实时分割注射区域，提升肌内注射路径的精确性与安全性，同时缩短新手学习曲线。Özçakar等^[20]开发的人工智能导航系统针对肩、肘等关节提供标准化窗口定位与成像建议，有效提升了图像获取质量与一致性。

人工智能技术正逐步扩展至肌肉骨骼系统疾病的治疗反应评估领域，为疾病监测和个体化医疗提供了新的可能。在炎症性关节炎中，基于人工智能的滑膜炎自动评分工具可用于纵向追踪疾病活动度。如前所述，这些工具不仅能够定量分析滑膜增厚与血流信号，还能在不同时间点监测炎症变化趋势。Kato等^[23]进一步通过无监督学习方法（如UMAP与随机森林）对类风湿关节炎和脊柱关节炎患者进行聚类，发现其超声炎症模式可预测对甲氨蝶呤等药物的响应差异，为治疗决策提供潜在的影像生物标志物支持^[24]。在肌腱与肌肉的康复评估方面，人工智能辅助超声也展现出量化组织愈合与再生过程的潜力。Cronin等^[9]使用GAN合成小腿肌肉图像，自动提取肌纤维角度与厚度等结构参数，这些指标可用于评估跟腱修复过程中肌肉形态的恢复情况。随着可穿戴与便携式超声设备的兴起，人工智能模型的实时分析能力将进一步推动床旁治疗监测的发展。例如，系统可自动测量关节积液在类固醇注射后是否明显减少，或在运动干预后客观评估肌肉质量变化，从而提供即时、定量的疗效反馈。尽管目前相关研究仍处于起步阶段，但这些探索表明，人工智能有望将传统超声转变为更加量化、客观、可重复的动态评估工具，用于指导肌骨疾病的个体化治疗与康复路径规划^[9,24]。

三、挑战与局限

尽管人工智能在肌骨超声领域取得了诸多进展，其临床转化过程中仍面临一系列挑战，涉及数据资源、模型泛化能力、设备差异性、可解释性以及伦理与监管等多个方面。

首先，数据资源的获取与标注仍是制约人工智能模型训练的重要因素。高质量肌骨超声数据集稀缺，且标注工作高度依赖具有丰富经验的超声专家，导致现有公开数据集规模普遍有限，难以满足深度学习模型对大规模、多样化数据的训练需求，进而影响模型在真实场景中的泛化能力。

其次，模型的泛化能力普遍不足。目前多数研究仅基于单中心数据进行开发与验证，缺乏多中心异构数据的独立评估，限制了人工智能系统在不同人群与设备间的可迁移性与鲁棒性。Getzmann等^[28]的系统综述指出，截至目前尚无肌骨超声人工智能研究使用外部验证集进行完整性能测试，这对其临床部署构成潜在障碍。

第三，不同设备平台间存在显著差异，包括超声探头类型、成像参数（如频率、增益、角度）及扫描者操作风格等，均可能影响图像质量及特征表达，进而削弱人工智能模型的跨平台适应能力。Özçakar等^[20]强调，肌骨超声图像极易受探头角度、压力与组织状态影响，对人工智能系统提出更高鲁棒性要求。

此外，深度学习模型普遍存在"黑箱"问题，缺乏透明的决策过程，影响临床信任与可解释性，尤其在需要精确决策支持的医疗场景中，这一限制显得尤为突出。提升模型可解释性，如引入注意力可视化、决策路径追踪等方法，是未来实现人机协作的关键方向之一^[20]。

最后，伦理与监管问题也不容忽视。人工智能系统作为医疗辅助工具，其在真实世界中的部署需满足严格的法规要求。与此同时，患者隐私保护、数据安全、模型偏倚与公平性等问题亦需系统解决，相关法规与伦理框架仍有待完善^[20]。

四、最新热点

近年来，肌骨超声人工智能领域呈现出多项前沿研究趋势，预示着技术发展的新方向和临床应用的深化。

（一）多模态融合建模

多模态建模通过整合不同成像方式（如灰阶超声、能量多普勒）或结合MRI、动作传感器等异构数据源，提升模型输入的维度与互补性，从而增强人工智能在复杂病变识别中的表达能力与泛化性能。在类风湿关节炎评估中，研究者已尝试联合静态灰阶、动态灰阶与多普勒图像训练神经网络，实现多关节滑膜炎活动度的自动评分，显著提升炎症识别的准确性与稳定性^[21]。

（二）生成式人工智能与自动报告生成

生成式预训练模型（如GPT-4）的引入加速了超声报告结构化与自动化的进程。Liu等^[29]在2024年的研究中使用GPT-4将乳腺超声的自由文本报告转换为结构化报告。研究分析了100份此类报告，结果显示OpenAI GPT-4生成结构化报告的成功率为88%，远高于微软Bing （GPT-4）的55%；乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）分类正确率和合理管理建议准确率分别为54% vs 47%和81% vs 63%。该技术路径未来可推广至肌骨超声场景，实现病灶描述自动化与报告模板标准化，提升沟通效率与诊断一致性。

（三）人工智能辅助教学与实时导航系统

人工智能技术日益融入超声医学教学与操作指导环节。部分系统已具备实时反馈功能，可引导学习者优化探头操作与图像获取。在肌骨超声中，人工智能辅助导航工具可为初学者提供标准化扫描路径与关键解剖结构的识别提示，显著缩短学习周期并提升图像获取质量与一致性^[20]。

五、未来趋势与展望

随着人工智能与超声成像技术的不断融合，肌骨超声人工智能的未来发展呈现出多维度、系统化的演进趋势，主要体现在以下几个方面：

借助大规模、多中心超声数据的积累，自监督预训练成为构建通用超声基础模型的重要途径。以USFM为代表的模型已展示出良好的跨任务与跨器官迁移能力，仅依赖20%左右的标注数据即可实现与全监督方法相近的性能^[14]。这一策略有望拓展至肌骨超声场景，大幅提升标注效率与应用广度。

面对医疗数据隐私保护的现实挑战，联邦学习为不同机构间协同训练人工智能模型提供了解决方案。通过在不共享原始数据的前提下联合建模，联邦学习不仅可保障数据安全，还可增强模型的泛化能力，推动肌骨超声人工智能向真实世界应用迈进。

未来的人工智能系统将实现超声图像、结构化电子病历、生理参数甚至基因组信息的深度融合，构建具备全面诊断能力的多模态大模型。此类系统可结合个体临床背景，对复杂肌骨疾病进行精准分析与个体化干预方案推荐。

提高模型的可解释性是实现临床信任的关键路径。未来研究将致力于开发具备决策依据可视化、注意力机制可追踪的人工智能系统，使医师能够理解并验证人工智能的判断过程，进而实现更高效的人机协同诊断模式。

人工智能算法正逐步向超声设备端集成，未来便携式超声系统将内嵌实时人工智能诊断模块，实现即刻图像分析、病变标注与操作提示。这将显著推动人工智能技术在基层医疗、床旁检查与远程诊断等场景中的普及应用。

随着人工智能产品的数量与影响持续扩大，制定统一的算法性能评估标准、数据质量规范与监管流程将成为行业共识。伴随更多临床实证研究的积累，人工智能系统的安全性、有效性与经济性将获得进一步验证，推动其临床正式应用。

六、小结

近年来，人工智能技术，特别是深度学习与大规模预训练模型的快速发展，极大地推动了肌骨超声在图像识别、病变检测、功能分析及报告生成等多个方面的智能化进程。人工智能系统不仅显著提高了超声诊断的效率与一致性，也为标准化评估和临床决策提供了有力支撑，有望减轻操作者依赖、提升医疗服务的公平性与可及性。

尽管如此，当前肌骨超声人工智能仍面临诸如数据资源匮乏、模型泛化能力不足、可解释性有限与监管机制不完善等关键挑战。随着多中心数据整合、通用模型构建、多模态学习与联邦训练技术的不断推进，未来人工智能系统将更加智能、鲁棒与透明，逐步实现从工具辅助向临床协同的转变。

展望未来，肌骨超声人工智能将在更广泛的临床场景中发挥作用，不仅提升诊疗水平，也将促进医学教育、科研创新与健康管理的智能化发展，成为推动精准医疗与智慧医疗体系建设的重要引擎^[14,28]。

冯国涛,崔立刚.深度学习在肌骨超声中的应用进展[J/OL].中华医学超声杂志(电子版), 2025, 22(6): 516-521.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Dinescu SC, Stoica D, Bita CE, et al. Applications of artificial intelligence in musculoskeletal ultrasound: narrative review[J]. Front Med (Lausanne), 2023, 10: 1286085.

2	Shin Y, Yang J, Lee YH, et al. Artificial intelligence in musculoskeletal ultrasound imaging[J]. Ultrasonography, 2021, 40(1): 30-44.

3	Yan L, Li Q, Fu K, et al. Progress in the application of artificial intelligence in ultrasound-assisted medical diagnosis[J]. Bioengineering (Basel), 2025, 12(3): 288.

4	Xin C, Li B, Wang D, et al. Deep learning for the rapid automatic segmentation of forearm muscle boundaries from ultrasound datasets[J]. Front Physiol, 2023, 14: 1166061.

5	Vafaeezadeh M, Behnam H, Gifani P. Ultrasound image analysis with vision transformers-review[J]. Diagnostics (Basel), 2024, 14(5): 542.

6	Kumar R, Sporn K, Borole A, et al. Biomarker-guided imaging and AI-augmented diagnosis of degenerative joint disease[J]. Diagnostics (Basel), 2025, 15(11): 1418.

7	Zhou W, Zhou C, Hu L, et al. Automated elbow ultrasound image recognition: a two-stage deep learning system via Swin Transformer[J]. Quant Imaging Med Surg, 2025, 15(1): 731-740.

8	Shin Y, Yang J, Lee YH. Deep generative adversarial networks: applications in musculoskeletal imaging[J]. Radiol Artif Intell, 2021, 3(3): e200157.

9	Cronin NJ, Finni T, Seynnes O. Using deep learning to generate synthetic B-mode musculoskeletal ultrasound images[J]. Comput Methods Programs Biomed, 2020, 196: 105583.

10	Dietrichson F, Smistad E, Ostvik A, et al. Ultrasound speckle reduction using generative adversial networks[C]. Kobe, Japan: 2018 IEEE International Ultrasonics Symposium (IUS), 2018: 1-4.

11	Hyun D, Brickson LL, Looby KT, et al. Beamforming and speckle reduction using neural networks[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 2019, 66(5): 898-910.

12	Moinuddin M, Khan S, Alsaggaf AU, et al. Medical ultrasound image speckle reduction and resolution enhancement using texture compensated multi-resolution convolution neural network[J]. Front Physiol, 2022, 13: 961571.

13	Jiang H, Xia S, Yang Y, et al. Transforming free-text radiology reports into structured reports using ChatGPT: A study on thyroid ultrasonography[J]. Eur J Radiol, 2024, 175: 111458.

14	Jiao J, Zhou J, Li X, et al. USFM: A universal ultrasound foundation model generalized to tasks and organs towards label efficient image analysis[J]. Med Image Anal, 2024, 96: 103202.

15	Knight J, Zhou Y, Keen C, et al. 2D/3D ultrasound diagnosis of pediatric distal radius fractures by human readers vs artificial intelligence[J]. Sci Rep, 2023, 13(1): 14535.

16	Ho TT, Kim GT, Kim T, et al. Classification of rotator cuff tears in ultrasound images using deep learning models[J]. Med Biol Eng Comput, 2022, 60(5): 1269-1278.

17	Alzyadat T, Praet S, Chetty G, et al. Automatic segmentation of achilles tendon tissues using deep convolutional neural network, machine learning in medical imaging[C]. Lima, Peru: Machine Learning in Medical Imaging: 11th International Workshop, 2020: 444-454.

18	Jahanifar M, Zamani Tajeddin N, et al. Automatic recognition of the supraspinatus tendinopathy from ultrasound images using convolutional neural networks[DB/OL]. arXiv preprint, 2020.

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

20	Özçakar L. AI (as an ally) for musculoskeletal ultrasound in PRM- haute couture after renaissance[J]. Am J Phys Med Rehabil, 2024, 103(11): 967-969.

21	He X, Wang M, Zhao C, et al. Deep learning-based automatic scoring models for the disease activity of rheumatoid arthritis based on multimodal ultrasound images[J]. Rheumatology (Oxford), 2024, 63(3): 866-873.

22	Tang J, Jin Z, Zhou X, et al. Enhancing convolutional neural network scheme for rheumatoid arthritis grading with limited clinical data[J]. Chinese Physics B, 2019, 28(3): 038701.

23	Kato M, Ikeda K, Sugiyama T, et al. Associations of ultrasound-based inflammation patterns with peripheral innate lymphoid cell populations, serum cytokines/chemokines, and treatment response to methotrexate in rheumatoid arthritis and spondyloarthritis[J]. PLoS One, 2021, 16(5): e0252116.

24	Momtazmanesh S, Nowroozi A, Rezaei N. Artificial intelligence in rheumatoid arthritis: current status and future perspectives: a state-of-the-art review[J]. Rheumatol Ther, 2022, 9(5): 1249-1304.

25	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.

26	D’agostino V, Sorriento A, Cafarelli A, et al. Ultrasound imaging in knee osteoarthritis: current role, recent advancements, and future perspectives[J]. J Clin Med, 2024, 13(16): 4930.

27	Hattori S, Saggar R, Heidinger E, et al. Advances in ultrasound-guided surgery and artificial intelligence applications in musculoskeletal diseases[J]. Diagnostics (Basel), 2024, 14(18): 2008.

28	Getzmann J M, Zantonelli G, Messina C, et al. The use of artificial intelligence in musculoskeletal ultrasound: a systematic review of the literature[J]. Radiol Med, 2024, 129(9): 1405-1411.

29	Liu C, Wei M, Qin Y, et al. Harnessing large language models for structured reporting in breast ultrasound: a comparative study of Open AI (GPT-4.0) and Microsoft Bing (GPT-4)[J]. Ultrasound Med Biol, 2024, 50(11): 1697-1703.

Options

文章导航

模态框（Modal）标题