本研究开发了一种深度学习模型，旨在提高Bankart损伤在标准MRI和MRA中的诊断准确性，减少对MRA的依赖。结果表明，该模型在标准MRI上的表现与放射科医生对MRA的解读相当或更优，显示了深度学习在微妙病变诊断中的潜力。

本研究通过扩散模型解决了临床上TOF-MRA和CTA数据稀缺的问题，并发现扩散模型在性能上优于传统的U-Net方法。研究还提供了优化模型性能的建议。

通过提供带有注释的 CoW 数据集和组织全球性的 CoW 切割任务，TopCoW 挑战赛成功地成为首个以形态学和拓扑学来评估 MRA 和 CTA 的 CoW 解剖分割任务的基准测试，为研究 CoW 的解剖学特征及其与神经血管性疾病的风险、严重程度和临床结果的关系提供了重要参考。