日本约有600000至1000000名患者被诊断患有类风湿关节炎（RA）。为了提供适当的治疗，有必要通过每年诊断几次RA来准确测量RA的进展。根据手部X射线图像计算的改良总尖锐评分（mTSS）是RA进展的标准诊断方法。然而，这种诊断方法很费时，因为每只手的得分高达16分。因此，为了缩短RA患者的诊断时间，提高诊断质量，计算机辅助诊断（CAD）系统的开发势在必行。我们之前提出了一个CAD系统，该系统可以使用支持向量机检测手指关节位置，并可以使用岭回归估计mTSS。在这项研究中，我们提出了一种使用深度学习从简单的手部X射线图像中全自动检测腕关节部位RA评分评估点的方法。该方法首先利用深度学习对腕关节部位进行分割。接下来，根据先验知识从每个分段自动确定RA评估点。对140例RA患者手部X射线图像的实验结果表明，在腕关节部位可以检测到mTSS评估点，平均误差为25像素。本研究实现了腕部RA评分评估点的自动检测。在RA的诊断中，医生可以通过自动确定诊断点来缩短诊断所需的时间。

1. [1] H.Yamanaka、N.Sugiyama、E.Inoue、A.Taniguchi和S.Momohara，“利用健康保险协会和IORRA队列（I）的报销数据估计日本类风湿关节炎的流行率和当前治疗方法”，《现代风湿病》，2014年第24卷第1期，第33-40页。
2. [2] K.Raza、C.E.Buckley、M.Salmon和C.D.Buckley，“治疗早期类风湿关节炎”，《临床风湿病最佳实践与研究》，第20卷，第5期，第849-863页，2006年。
3. [3] M.F.Bakker、J.W.G.Jacobs、S.M.M.Verstapen和J.W.J.Bijlsma，“类风湿关节炎治疗中的严格控制：疗效和可行性”，《风湿疾病年鉴》，第66卷，第3期，第ii56-iii60页，2007年。
4. [4] E.W.St.Clair、D.M.F.M.van der Heijde、J.S.Smolen、R.N.Maini、J.M.Bothon、P.Emiry、E.Keystone、M.Schiff、J.R.Kalden、B.Wang和K.Dewoody，“英夫利昔单抗和甲氨蝶呤联合治疗早期类风湿关节炎：一项随机对照试验”，《关节炎和风湿病》，第50卷，第11期，第3432-3443页，2004年。
5. [5] F.C.Breedveld、M.H.Weisman、A.F.Kavanaugh、S.B.Cohen、K.Pavelka、R.van Vollehoven、J.Sharp、J.L.Perez和G.T.Spencer-Green，“PREMIER研究：阿达木单抗联合甲氨蝶呤与甲氨喋呤或阿达木单抗联合治疗早期侵袭性类风湿关节炎患者的多中心、随机、双盲临床试验”，《关节炎与风湿病》，2006年第54卷第1期，第26-37页。
6. [6] D.M.van der Heijde，“类风湿关节炎的普通X射线：评分方法概述、可靠性和适用性”，Baillier临床风湿病学，第10卷，第3期，第435-453页，1996年。
7. [7] Y.Huo，K.L.Vincken，D.M.van der Heijde，F.P.Lafeber和M.A.Viergever，“早期类风湿关节炎患者放射照相手指关节间隙宽度的自动量化”，IEEE Trans。《生物医学工程》，第63卷，第10期，第2177-21862016页。
8. [8] K.Nakatsu、K.Morita、N.Yagi和S.Kobashi，“使用统计形状模型和支持向量机的手部X射线照片图像中的手指关节检测方法”，Proc。2020年国际交响乐团。2020年社区中心系统（CcS）。
9. [9] K.Morita、P.Chan、M.Nii、N.Nakagawa和S.Kobashi，“使用机器学习自动评估类风湿关节炎进展的手指关节检测方法”，Proc。2018年IEEE系统、人与控制论国际会议（SMC）第1315-1320页，2018年。
10. [10] L.Su，X.Fu，X.Zhang，X.Cheng，Y.Ma，Y.Gan，和Q.Hu，“通过先验模型从手部X射线图像中描绘腕骨，以及基于区域和基于边界的分割的集成”，IEEE Access，第6卷，第19993-20008页，2018年。
11. [11] L.K.Meng、A.Khalil、M.H.A.Nizar、M.K.Nisham、B.Pingguan-Murphy、Y.C.Hum、M.I.M.Salim和K.W.Lai，“利用完全卷积神经网络进行腕骨分割”，《当前医学成像评论》，第15卷，第10期，第983-989页，2019年。
12. [12] S.Ukil和J.M.Reinhardt，“X射线CT图像中解剖引导的肺叶分割”，IEEE Trans。医学成像，第28卷，第2期，第202-214页，2009年。
13. [13] D.H.Kim和T.MacKinnon，“骨折检测中的人工智能：从深层卷积神经网络中的转移学习”，《临床放射学》，第73卷，第5期，第439-445页，2018年。
14. [14] Y.L.Thian、Y.Li、P.Jagmohan、D.Sia、V.E.Y.Chan和R.T.Tan，“腕关节X光片自动骨折检测和定位的卷积神经网络”，《放射：人工智能》，第1卷第1期，e1800012019年。
15. [15] J.H.Lee、Y.J.Kim和K.G.Kim，“利用深度学习和手部X射线图像估计骨龄”，《生物医学工程快报》，第10卷，第3期，第323-331页，2020年。
16. [16] O.Ronneberger、P.Fischer和T.Brox，“U-Net:生物医学图像分割的卷积网络”，《计算机科学讲义：医学图像计算和计算机辅助干预》（MICCAI 2015），第9351卷，第234-241页，2015年。
17. [17] R.L.Drake、A.W.Vogi和A.W.M.Mitchell，《学生的格雷解剖》，丘吉尔·利文斯通，2015年。
18. [18] W.R.Crum、O.Camara和D.L.G.Hill，“医学图像分析中评估和验证的广义重叠度量”，IEEE Trans。医学成像，第25卷，第11期，第1451-1461页，2006年。
19. [19] C.H.Sudre、W.Li、T.Vercauteren、S.Ourselin和M.J.Cardoso，“广义骰子重叠作为高度不平衡分割的深度学习损失函数”，深度学习国际研讨会。医学图像分析。多模式学习。临床。Decis公司。支持，第240-248页，2017年。
20. [20] L.R.Dice，“物种之间生态联系量的测量”，《生态学》，第26卷，第2期，第297-3021945页。
21. [21]J.Roerdink和A.Meijster，“流域变换：定义、算法和并行化策略”，《基础信息学》，第41卷，第1-2期，第187-228页，2000年。