面向膝关节骨性关节炎严重程度评分的层次化半监督与自监督融合框架
计算机视觉与模式识别
2026-04-28 v1
摘要
膝关节骨性关节炎（Knee osteoarthritis, KOA）是一种退行性关节疾病，可导致慢性疼痛、活动受限及长期功能障碍。自动从膝关节X光片进行严重程度评分可支持早期诊断，但现有方法高度依赖大规模标注数据集，且对类别不平衡、噪声样本及临床标注的变异性敏感。为缓解这些限制，我们提出一种层次化融合的半监督框架与自监督学习（H-SemiS）用于膝关节炎严重程度评分，采用有限标注数据。不同于将严重程度评分视为平坦的多分类问题，H-SemiS 将任务分解为序列中的二分类子任务，构建在半监督教师-学生架构中，直观缓解类别不平衡的影响。为进一步增强从无标签数据中的特征学习，框架集成了对抗性自监督重建模块，鼓励网络捕获稳健的解剖结构。并行地，基于量子启发的特征混合设计改进了在伪标签噪声情况下的相邻分级之间的判别边界。我们在两个具有挑战性的多分类数据集上全面评估了 H-SemiS，并在两个二分类数据集上测试其泛化能力。实验结果表明，所提出的 H-SemiS 框架在多个评估指标上均优于若干竞争基线和最新方法。该代码已公开于 https://github.com/chandravardhan-singh-raghaw/H-SemiS。
引用
@article{arxiv.2604.23335,
title = {H-SemiS: Hierarchical Fusion of Semi and Self-Supervised Learning for Knee Osteoarthritis Severity Grading},
author = {Chandravardhan Singh Raghaw and Anushka Parwal and Shahid Shafi Dar and Prajakta Darade and Nagendra Kumar},
journal= {arXiv preprint arXiv:2604.23335},
year = {2026}
}