用于自动化 spheno-occipital synchondrosis 成熟评估的渐进式深度学习
计算机视觉与模式识别
2026-04-14 v1 机器学习
摘要
准确评估 spheno-occipital synchondrosis (SOS) 成熟是判断颅面生长关键指标，是正畸和手术时机的重要决定因素。然而，SOS 从锥形位移 CT (CBCT) 的分期依赖于细微且持续演变的形态学线索，导致跨观察者变异性大，尤其在过渡性 fused 阶段复现性差。我们将 SOS 评估建模为细粒度视觉识别问题，提出一种渐进式表征学习框架，显式地镜像专家临床医生如何就 synchondral fusion 进行推理：从粗糙的解剖结构到日益细微的闭合模式。与训练完整网络 end-to-end 不同，我们按序激活网络更深的层次，使早期层首先编码稳定的颅基形态，再让高级层专注于区分相邻的成熟阶段。这产生一种与 SOS fusion 生物学连续性相匹配的网络深度 curriculum，显著提升了解剖表征学习。在卷积和 transformer-based 架构上进行大量实验表明，这种以专家为导向的训练策略比标准训练产生更稳定的优化和更高的准确率，尤其在模糊的中间阶段效果更佳。重要的是，这些提升无需改变网络架构或损失函数，仅通过训练动力学即可显著改善解剖表征学习。该框架在专家牙科直觉与深度视觉表征之间建立了原则性联系，使从 CBCT 实现稳健、数据高效的SOS 分期成为可能，并为医学影像中建模其他连续生物过程提供了通用策略。
引用
@article{arxiv.2604.10945,
title = {Progressive Deep Learning for Automated Spheno-Occipital Synchondrosis Maturation Assessment},
author = {Omid Halimi Milani and Amanda Nikho and Marouane Tliba and Lauren Mills and Emadeldeen Hamdan and Ahmet Enis Cetin and Mohammed H. Elnagar},
journal= {arXiv preprint arXiv:2604.10945},
year = {2026}
}