深度学习在总体 DXA 成像中实现大规模形状与外观建模
计算机视觉与模式识别
2025-08-15 v1
摘要
总体-body 双能 X 吸收度测量（TBDXA）成像是一种相对低成本的全身成像技术，广泛用于体成分评估。我们开发并验证了一种用于自动在 TBDXA 扫描上放置 fiducial 点的深度学习方法，使用 1,683 幅手动标注的 TBDXA 扫描。该方法在外部测试数据集中实现了 99.5% 的正确关键点百分比。为了展示其在形状与外观建模（SAM）中的价值，我们在五种不同的 TBDXA 成像模式下放置关键点，累计 35,928 幅扫描，然后在两个未用于 SAM 模型生成的队列中测试与健康标记物的关联，使用两样 Kolmogorov-Smirnov 检验。与健康生物标志物相关的 SAM 特征分布被证实与现有证据相符，并对身体成分与形状与各种疲努、代谢、炎症和心血管代谢健康标记物之间的关系提出新假设。evaluation 脚本、模型权重、自动点文件生成代码以及三角化文件均可在 https://github.com/hawaii-ai/dxa-pointplacement 访问。
引用
@article{arxiv.2508.10132,
title = {Deep Learning Enables Large-Scale Shape and Appearance Modeling in Total-Body DXA Imaging},
author = {Arianna Bunnell and Devon Cataldi and Yannik Glaser and Thomas K. Wolfgruber and Steven Heymsfield and Alan B. Zonderman and Thomas L. Kelly and Peter Sadowski and John A. Shepherd},
journal= {arXiv preprint arXiv:2508.10132},
year = {2025}
}
备注
Preprint of manuscript accepted to the ShapeMI workshop at MICCAI 2025