• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

Correction: Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug‑in modules.

作者信息

Lee Do Weon, Song Dae Seok, Han Hyuk-Soo, Ro Du Hyun

机构信息

Department of Orthopedic Surgery, Seoul National University College of Medicine, Seoul, South Korea.

Department of Orthopedic Surgery, Dongguk University Ilsan Hospital, Goyang, South Korea.

出版信息

Knee Surg Relat Res. 2025 Apr 29;37(1):17. doi: 10.1186/s43019-025-00268-3.

DOI:10.1186/s43019-025-00268-3
PMID:40302005
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC12038970/
Abstract
摘要
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/23fd/12038970/0a1586bdccdd/43019_2025_268_Figa_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/23fd/12038970/0a1586bdccdd/43019_2025_268_Figa_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/23fd/12038970/0a1586bdccdd/43019_2025_268_Figa_HTML.jpg

相似文献

1
Correction: Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug‑in modules.更正：使用一种新的深度学习方法（插件模块）对膝关节X线骨关节炎严重程度进行准确、自动分类
Knee Surg Relat Res. 2025 Apr 29;37(1):17. doi: 10.1186/s43019-025-00268-3.
2
Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug-in modules.使用一种新型深度学习方法——插件模块，对膝关节骨关节炎严重程度进行准确、自动化分类。
Knee Surg Relat Res. 2024 Aug 13;36(1):24. doi: 10.1186/s43019-024-00228-3.
3
Deep learning-based algorithm for assessment of knee osteoarthritis severity in radiographs matches performance of radiologists.基于深度学习的放射影像膝关节骨关节炎严重程度评估算法与放射科医生的表现相匹配。
Comput Biol Med. 2021 Jun;133:104334. doi: 10.1016/j.compbiomed.2021.104334. Epub 2021 Mar 23.
4
Automated detection of patellofemoral osteoarthritis from knee lateral view radiographs using deep learning: data from the Multicenter Osteoarthritis Study (MOST).基于深度学习的膝关节侧位 X 射线图像髌股关节炎自动检测：多中心骨关节炎研究（MOST）的数据。
Osteoarthritis Cartilage. 2021 Oct;29(10):1432-1447. doi: 10.1016/j.joca.2021.06.011. Epub 2021 Jul 8.
5
HKA-Net: clinically-adapted deep learning for automated measurement of hip-knee-ankle angle on lower limb radiography for knee osteoarthritis assessment.HKA-Net：适用于临床的深度学习，用于自动测量下肢 X 线摄影中膝骨关节炎评估的髋膝踝角度。
J Orthop Surg Res. 2024 Nov 20;19(1):777. doi: 10.1186/s13018-024-05265-y.
6
Advances in Artificial Intelligence for automated knee osteoarthritis classification using the IKDC system.使用国际膝关节文献委员会（IKDC）系统进行膝关节骨关节炎自动分类的人工智能进展。
Eur J Orthop Surg Traumatol. 2024 Dec 2;35(1):32. doi: 10.1007/s00590-024-04124-0.
7
Deep learning to combat knee osteoarthritis and severity assessment by using CNN-based classification.基于卷积神经网络的分类深度学习法在膝关节骨关节炎及其严重程度评估中的应用。
BMC Musculoskelet Disord. 2024 Oct 16;25(1):817. doi: 10.1186/s12891-024-07942-9.
8
Identification of Severe Grading in Knee OsteoArthritis from MRI using Ensemble Deep Learning.基于集成深度学习的 MRI 膝关节骨关节炎严重分级识别
Curr Med Imaging. 2024;20:e15734056289963. doi: 10.2174/0115734056289963240318040945.
9
Ensemble deep-learning networks for automated osteoarthritis grading in knee X-ray images.基于深度学习的集成网络用于膝关节 X 射线图像的自动骨关节炎分级。
Sci Rep. 2023 Dec 21;13(1):22887. doi: 10.1038/s41598-023-50210-4.
10
Assessment of a novel deep learning-based software developed for automatic feature extraction and grading of radiographic knee osteoarthritis.评估一种新的基于深度学习的软件，用于自动提取和分级放射学膝关节骨关节炎的特征。
BMC Musculoskelet Disord. 2023 Nov 8;24(1):869. doi: 10.1186/s12891-023-06951-4.

本文引用的文献

1
Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug-in modules.使用一种新型深度学习方法——插件模块，对膝关节骨关节炎严重程度进行准确、自动化分类。
Knee Surg Relat Res. 2024 Aug 13;36(1):24. doi: 10.1186/s43019-024-00228-3.