Attend-and-Refine：用于骨龄评估的交互式关键点估计与定量颈椎分析

在儿童正颈内科中，准确估计生长潜力对于制定有效的治疗策略至关重要。我们的研究旨在通过仅从侧位头影学 radiograph 中识别生长峰值并分析颈椎节的形态学，来预测这种潜力。我们通过全面分析这些 radiograph 中的颈椎节成熟（cervical vertebral maturation, CVM）特征来实现这一目标。这种方法为临床医生提供了可靠且高效的工具，以确定正颈内科干预的最佳时机，从而提高患者的治疗效果。关键在于，对颈椎节的关键点进行周密标注，这往往受到其耗时的挑战。为缓解这一问题，我们引入Attend-and-Refine Network（ARNet），一种面向用户交互的深度学习模型，旨在简化标注过程。ARNet包含 interaction-guided recalibration network（互动引导的重校准网络），能够针对用户反馈自适应地重校准图像特征，同时搭载一种基于形态学的损失函数，以保持关键点的结构一致性。这种新方法在关键点识别上显著减少了人工工作量，从而提高了该过程的效率和准确性。广泛在各种数据集上进行验证，ARNet 显示出卓越的性能，并在医学影像中具有广泛的适用性。总之，我们的研究为评估儿童正颈内科的生长潜力提供了一种有效的AI辅助诊断工具，标志着该领域的重大进展。