基于深度学习的颈骨第三根 molar 与 下髋神经管关系评估：本地、集中式与联邦学习方法
图像与视频处理
2026-03-16 v1 计算机视觉与模式识别
分布式、并行与集群计算
摘要
颈骨第三根 molar 接近下髋神经管时发生嵌入，增加了下髋神经损伤风险。颈椎术全景 radiography 是评估这一关系的常规方法。自动化的牙槽神经管重叠分类可支持临床分流，减少不必要的CBCT referrals，而联邦学习（FL）可在不共享患者数据的情况下实现多中心协作。我们比较了本地学习（LL）、FL 和集中式学习（CL）在八个独立标注者分割的裁剪后颈椎术全景图像上的二分类（重叠/无重叠）任务。使用预训练的ResNet-34在每种范式下进行训练，并使用本地优化阈值和全局阈值进行评估。采用受控接收者工作特征曲线下面积（AUC）和阈值基指标，以及训练动力学、Grad-CAM可视化和服务器端聚合监控信号进行评估。在测试集上，CL实现了最佳性能（AUC 0.831；准确率=0.782），FL表现intermediate（AUC 0.757；准确率=0.703），而LL在各客户机之间泛化较差（AUC范围=0.619-0.734；平均值=0.672）。训练曲线表明，尤其在LL模型中存在过拟合，Grad-CAM显示CL和FL更关注解剖学特征。总体而言，集中式训练提供了最强的性能，而FL是一个在性能上优于LL的隐私保护替代方案。
引用
@article{arxiv.2603.11850,
title = {Deep Learning-based Assessment of the Relation Between the Third Molar and Mandibular Canal on Panoramic Radiographs using Local, Centralized, and Federated Learning},
author = {Johan Andreas Balle Rubak and Sara Haghighat and Sanyam Jain and Mostafa Aldesoki and Akhilanand Chaurasia and Sarah Sadat Ehsani and Faezeh Dehghan Ghanatkaman and Ahmad Badruddin Ghazali and Julien Issa and Basel Khalil and Rishi Ramani and Ruben Pauwels},
journal= {arXiv preprint arXiv:2603.11850},
year = {2026}
}