基于无标签分层标签学习关节骨关节炎的粗到细表征
计算机视觉与模式识别
2026-05-04 v1
摘要
髋关节炎（OA）评估涉及一种天然但常被忽视的标签层次：粗糙的二元 OA 决策和细粒度的克莱格-劳伦斯（KL）严重程度分级。现有的深度学习研究通常将这些目标视为独立的分类问题，要么将 OA 评估简化为疾病存在，要么直接优化带噪声的有序 KL 标签。在本工作中，我们提出了一种疑似层次监督可作为表示层面的先验条件的假设。我们不引入复杂的网络结构，而是使用一个刻意简单的双头模型，包含共享编码器和两个任务特定的头部，以探索层次监督。我们在相同的测试协议下比较单一 OA、单一 KL 和双头训练，在多个 3D 主干网络上进行实验。除了标准的分类指标外，我们还进行配对统计比较，分析潜在严重程度轴的几何，以及检查显著性与软骨区域的重叠度。结果表明，双头监督会产生取决于主干网络的提升，在选定的主干网络上，KL 相关指标有明显改善。更重要的是，提升伴随更有序的粗到细潜在组织，以及对响应主干网络，软骨区域显著性更强的解剖学对齐。这些发现表明，即使是简单的层次双头监督也能在带噪声的粗/细标签下重塑疾病表示，为 OA 诊断和严重程度分级提供了有用的归纳偏置。
引用
@article{arxiv.2605.00718,
title = {Learning Coarse-to-Fine Osteoarthritis Representations under Noisy Hierarchical Labels},
author = {Tongxu Zhang},
journal= {arXiv preprint arXiv:2605.00718},
year = {2026}
}