【论文-pelvic】-阅读整理中

Fully automatic estimation of pelvic sagittal inclination from anterior-posterior radiography image using deep learning  framework

2区、

3D/2D registration methods配准论文、

rigid transformation刚体变换：只有物体的位置(平移变换)和朝向(旋转变换)发生改变，而形状不变，得到的变换称为刚性变换。刚性变换是最一般的变换。

图像中点坐标变换：

CNN中的Dropout layer：、理解dropout：dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。|| dropout是CNN中防止过拟合提高效果的一个大杀器，但对于其为何有效，却众说纷纭。

ReLU线性整流函数：、leaky ReLU：Andrew Ng说：1，Leaky ReLU函数比ReLU函数效果好，但实际中Leaky ReLU并没有ReLU用的多。2，除了输出层是一个二元分类问题外，基本不用Sigmoid函数。3，Relu是最常用的默认激活函数，若不确定用哪个激活函数，就使用Relu或者Leaky Relu

卷积:kernel size/padding/stride：

图像分割DICE系数：dice系数的取值范围为0-1,越接近1说明构建的模型越好。​​​​​​

Sagittal balance of the spine

矢状位脊柱平衡、European Spine Journal(2019)、三区

Pelvic incidence and pelvic tilt measurements using femoral heads or acetabular domes to identify centers of the hips: comparison of two methods

三区、2015、

髋关节包括髋臼和股骨头

股骨髋臼撞击症：

人体髋关节置换术：

股骨和髋骨：

B超、DR、CT、MRI√：DR是数字化X射线，是传统X光的进化版本，就像传统胶卷相机与现在数码相机的区别，本质是一样的，主要利用X射线的穿透性原理，在穿越人体时因为人体组织密度不一样来形成影像。总得来讲，DR是最传统、最廉价的一种影像检查，是很多疾病初筛的首选检查；但由于X射线有人体存在危害，不适合孕妇以及特殊人群使用，而且对细微组织无法辨认。

Fully automated radiological analysis of spinal disorders and deformities: a deep learning approach

基于双平面X线片的脊柱形状和脊柱骨盆参数全自动评估的DL方法

论文聚集地

2019MICCAI-Xray

相关资料

到底哪个颈椎矢状面平衡参数最重要、2018、论文link、

脊颅角SCA（Spino Cranial Angle）：C7上终板中点和蝶鞍中点连线，与C7上终板连线的夹角。正常范围 （83°±9°）

颅颈矢状位参数与水平凝视的相关性

颅脊角

医学生系统解剖资料

骶骨形态与脊柱骨盆矢状位参数的相关性研究：