AGE-Net：谱—空間融合与解剖图谱推理的证实性序数回归用于髋关节骨性关节炎分级
计算机视觉与模式识别
2026-03-17 v3
摘要
从髋部X光片自动评估Kellgren--Lawrence（KL）分级因结构细微变化、远距离解剖依赖关系以及分级边界处的模糊性而具挑战性。我们提出AGE-Net，基于ConvNeXt的框架，集成谱—空間融合（Spectral--Spatial Fusion, SSF）、解剖图谱推理（Anatomical Graph Reasoning, AGR）及微分细化（Differential Refinement, DFR）。为捕获预测不确定性并保持标签序数性，AGE-Net采用正逆伽马（Normal-Inverse-Gamma, NIG）证实回归头，并施加两两序数排序约束。在髋部KL数据集上，AGE-Net实现的二次加权Kappa系数（Quadratic Weighted Kappa, QWK）为 ，均方误差（Mean Squared Error, MSE）为 （基于三个随机种子），超越强CNN基线，消融实验显示持续提升。我们进一步阐述了不确定性质量、鲁棒性及可解释性的评估，附加实验图表将于完整手稿中呈现。
引用
@article{arxiv.2601.17336,
title = {AGE-Net: Spectral--Spatial Fusion and Anatomical Graph Reasoning with Evidential Ordinal Regression for Knee Osteoarthritis Grading},
author = {Xiaoyang Li and Runni Zhou and Xinghao Yan and Liehao Yan and Zhaochen Li and Chenjie Zhu and Rongrong Fu and Yuan Chai},
journal= {arXiv preprint arXiv:2601.17336},
year = {2026}
}