用于脊柱标志点检测的稠密表征学习与可微形状建模
Dense Representation Learning and Differentiable Shape Modeling for Spine Landmark Detection
精选理由
以像素级对比学习结合形状先验，提升脊柱X光标志点检测与临床评估准确性。
AI 摘要
从脊柱X射线图像中检测脊柱标志点，是评估脊柱畸形严重程度、构建生物力学模型以及进行术前规划的关键步骤。我们将解剖标志点检测重新定义为像素级对比表征学习问题，使稠密像素嵌入与标志点原型相匹配。令人意外的是，即使采用通用的U-Net骨干网络，该方法相比传统的热图回归范式也能生成更具判别性的热图，从而更好地区分不同椎体上的椎体角点。此外，我们将所得热图与针对脊柱标志点全局构型的可学习形状先验相结合，以消除标志点位置上的歧义，由此实现一种简单实用的脊柱标志点检测方法。在标志点准确率和临床参数估计方面，我们的方法在公开的AASCE数据集和两个私有脊柱X射线数据集上均具备与当前最先进方法相当的性能。我们的代码和预训练权重已发布于 https://github.com/BioMedTP/Pix2Point。