基于 Transformer 的多区域分割与HR-pQCT图像放射组学分析用于骨密度分类
计算机视觉与模式识别
2026-03-12 v2
摘要
骨密度（osteoporosis）是一种骨骼疾病，通常通过双能X光吸收度测量（DXA）进行诊断，DXA 量化皮肤骨密度，但忽略了骨骼微观结构和周围软组织。高分辨率周边定量CT扫描（HR-pQCT）实现了最小辐射的三维微观结构成像。然而，当前分析管道主要关注矿化骨骼组成，导致大量获取的图像数据未得到充分利用。我们引入一个完全自动的框架，用于从解剖分割的HR-pQCT图像中提取放射组学特征进行二分类骨密度。鉴于本工作是首次利用基于Transformer的分割架构（即SegFormer）进行完全自动的多区域HR-pQCT分析。SegFormer模型同时描绘了小腿和腘绳肌的皮质骨和三叉骨 along with 周围软组织，实现了平均 F1 分数为 95.36%。软组织进一步通过后处理分为皮肤、肌腱组织和脂肪区域。从每个区域提取 939 个放射组学特征，并在包含 122 项HR-pQCT扫描的 20,496 张图像的独立数据集上进行维数缩减以训练六个机器学习分类器。最佳图像水平性能使用肌腱组织特征实现，准确率为 80.08%，受试者工作特征曲线下面积（AUROC）为 0.85，优于骨骼基模型。就患者水平而言，用软组织放射组学特征取代标准生物学、DXA 和 HR-pQCT 参数后，AUROC 从 0.792 提升至 0.875。这些发现表明，自动化的多区域HR-pQCT分割可从骨骼之外提取临床有意义的信号，凸显了针对骨密度检测中整合组织评估的重要性。
引用
@article{arxiv.2603.09137,
title = {Transformer-Based Multi-Region Segmentation and Radiomic Analysis of HR-pQCT Imaging for Osteoporosis Classification},
author = {Mohseu Rashid Subah and Mohammed Abdul Gani Zilani and Thomas L. Nickolas and Matthew R. Allen and Stuart J. Warden and Rachel K. Surowiec},
journal= {arXiv preprint arXiv:2603.09137},
year = {2026}
}