基于Texture-Preserving自监督学习、混合专家与多任务集成的机会性骨密度诊断
图像与视频处理
2025-06-26 v1 计算机视觉与模式识别
摘要
骨质疏松症以减少骨密度 (BMD) 和受损骨 microstructure 为特征，增加老年人群体的骨折风险。虽然双能X射线吸收度量 (DXA) 是BMD评估的临床标准，但其可达性受限，妨碍了资源受限地区的诊断。机会性CT分析已成为使用现有影像数据进行骨质疏松症诊断的有前景的替代方法。然而，现有方法面临三个局限性：（1）未充分利用无标签脊椎数据，（2）来自不同设备的DXA差异导致系统性偏差，（3）未充分整合临床知识，例如脊椎BMD分布模式。为此，我们提出一种统一的深度学习框架，包含三个创新点。首先，采用基于放射组学表征的自监督学习方法，以保留骨组织纹理的方式利用无标签CT数据。其次，采用带有学习型门控机制的混合专家 (MoE) 架构以提高跨设备适应性。最后，构建多任务学习框架，集成骨质疏松症诊断、BMD回归和脊椎位置预测。该方法在三个临床中心和一个外部医院上验证，显示出优于现有方法的优异通用性和准确性，适用于机会性骨质疏松症筛查和诊断。
引用
@article{arxiv.2506.20282,
title = {Opportunistic Osteoporosis Diagnosis via Texture-Preserving Self-Supervision, Mixture of Experts and Multi-Task Integration},
author = {Jiaxing Huang and Heng Guo and Le Lu and Fan Yang and Minfeng Xu and Ge Yang and Wei Luo},
journal= {arXiv preprint arXiv:2506.20282},
year = {2025}
}
备注
Accepted by MICCAI 2025