基于分割-分类和自监督学习的手部 X 光片骨密度检测骨质疏松症
图像与视频处理
2024-12-10 v1 计算机视觉与模式识别
机器学习
摘要
骨质疏松症是一种广泛且慢性的代谢性骨疾病，常常因有限的骨密度（BMD）检测（如双能 X 光吸收度测量（DXA））获取而难以诊断和治疗。针对这一挑战，当前的技术进展正转向通过检查外周骨区域来检测骨质疏松症，以提高无额外费用和时间消耗的筛查率。在本文中，我们提出了一种方法，用于预测来自手部和腕部 X 光片图像的骨质疏松症，这些图像广泛可用且经济，尽管其与 DXA 数据的关联性尚未充分探索。我们采用一种运用混合概率 U-Net 解码器的精细图像分割模型，专为捕捉对骨髓骨、尺骨和五指骨的分割不确定性而设计。该模型表述为最优传输（OT）问题，使其能够更有效地处理图像分割的固有不确定性。进一步，我们采用自监督学习（SSL）方法从无标签数据中提取有意义的表征，然后对骨质疏松症进行监督分类。该方法在包含 192 名个体的数据集上进行评估，其结果与标准 DXA 检查的验证骨质疏松症状况相一致。尽管分类得分突出，但这种不确定性感知分割和自监督学习的集成代表了一种首次尝试，利用基于视觉的技术从外周骨骼部位早期检测骨质疏松症的潜力。
引用
@article{arxiv.2412.05345,
title = {Osteoporosis Prediction from Hand X-ray Images Using Segmentation-for-Classification and Self-Supervised Learning},
author = {Ung Hwang and Chang-Hun Lee and Kijung Yoon},
journal= {arXiv preprint arXiv:2412.05345},
year = {2024}
}