基于多尺度自适应平滑与神经记忆注意力机制的常规CT数据机会性骨密度估算方法

《Applied Soft Computing》：Multi-scale adaptive smoothing and neural memory attention for opportunistic bone mineral density estimation from routine CT volumes

　　

摘要

常规CT可为骨质疏松症筛查提供机会，但由于现有的方法要么依赖有限的2D图像，要么难以应对临床骨密度分布的偏斜问题，因此很难从未经校准的3D扫描中估算出与DXA相当的骨密度值。我们提出了BMDNeXt，这是一种3D卷积神经网络框架，通过结合体积骨小梁特征学习与神经记忆注意力机制，能够从常规CT数据中预测出与DXA相当的骨密度值。在神经记忆常微分方程的稳定吸引子引导下，该注意力机制能够实现有界的空间和通道权重调整，帮助网络聚焦于整个感兴趣区域内的重要骨小梁结构。为降低因目标值不平衡带来的偏差，BMDNeXt还引入了多尺度自适应标签分布平滑和多尺度自适应特征分布平滑技术，这些技术能够根据局部样本密度调整标签权重和特征校准。在单中心临床数据集上，BMDNeXt的均方误差为0.0803 g/cm2，与真实骨密度的皮尔逊相关系数为0.8578，差异值为0.0050 g/cm2，严重骨质疏松症筛查的召回率为91.2%，充分体现了其作为基于CT的筛查工具的价值，同时也为进一步的多中心验证提供了依据。

引言

骨质疏松症是全球性的重大健康问题，因为骨密度下降以及骨小梁结构恶化往往在发生脆性骨折之前都难以被诊断出来。因此，准确且及时的骨密度评估对于疾病的预防、诊断及长期管理至关重要。

DXA是目前骨密度评估的临床金标准，但其专用设备限制了其在大规模筛查中的应用。定量计算机断层扫描虽然能够提供体积密度测量结果，但它依赖于校准用的标准体模，且辐射剂量较高，这也限制了其在人群大规模筛查中的使用。

因此，常规计算机断层扫描为机会性骨密度筛查提供了良好的基础[1]、[2]。早期的基于CT的方法依靠简单的霍恩斯菲尔德单位阈值或从选定椎体区域手工提取的放射组学特征[3]、[4]，而较新的深度学习方法则多使用轴向或冠状切面的2D卷积神经网络[5]、[6]、[7]，像AutoBMD这样的系统也展现出了良好的实用前景。不过如图1所示，2D方法只能观察到椎体体积的一小部分，且容易受到切片选择的影响。

由于CT本身具有体积特性，3D学习框架更适用于这项任务。与基于切面的模型相比，3D方法能够整合多层面信息，更准确地捕捉骨小梁的形态和纹理，同时避免切片选择带来的不确定性[9]、[10]。要有效建模这些3D空间关联，仍需对特征进行筛选优化，这也就促使人们开始使用注意力机制。神经常微分方程可以将特征变化建模为连续动态过程[11]、[12]，而神经记忆常微分方程则进一步引入了显式的记忆机制和与输入相关的吸引子，以实现稳定的信息整合[14]、[15]。基于这一理念，我们将神经记忆常微分方程的机制嵌入到3D卷积神经网络中，从而生成有界的注意力权重，突出显示重要的解剖结构和特征通道。

另一个挑战是标签不平衡问题，因为临床骨密度值大多集中在中等范围（见图2）。这种不平衡会导致回归模型偏向出现频率较高的数值，从而降低在低骨密度值区域的检测性能[16]、[17]。以往用于分类任务的蒙特卡洛采样方法或基于遗传算法的特征选择方法，主要并不是为连续目标回归设计的[18]、[19]、[20]。对于连续目标回归，以往的深度不平衡回归方法如标签分布平滑和特征分布平滑虽然有一定参考价值[21]、[22]，但其固定的平滑参数并不适合高度不均匀的临床数据分布。

因此，本研究旨在解决这两个相互关联的问题：从临床角度来看，需要从多样且未经校准的常规CT扫描中得出可靠的与DXA相当的骨密度估计值；从建模角度而言，则需要在设计稳定的3D注意力机制的同时，解决严重的连续目标不平衡问题，避免在处理体积数据时出现特征丢失的情况。

为解决这些问题，本文提出了BMDNeXt。我们的主要贡献如下：

• (1)
  我们提出了BMDNeXt，这是一种全面的3D卷积神经网络框架，它整合了椎体分割、感兴趣区域提取以及3D回归功能，能够充分利用CT的体积数据优势。
• (2)
  我们提出了多尺度自适应标签分布平滑和多尺度自适应特征分布平滑两种技术，它们通过多尺度核函数和自适应正则化手段，对标签和特征的分布进行平滑处理，从而有效解决连续数据的不平衡问题。
• (3)
  我们设计了神经记忆注意力机制，这是一种带有记忆功能的连续动态注意力模块，能够实现稳定、高效且与输入相关的空间和通道权重调整，从而提升特征的区分度及整体预测精度。

章节节选

方法

我们的方法通过五步流程，将未经校准的3D椎体CT图像转换为标准化的密度估计值。该流程包括图像标准化、骨小梁感兴趣区域提取、基于多阶段3D卷积神经网络骨架的体积特征提取、通过神经记忆注意力机制对特征进行优化，以及利用多尺度自适应标签分布平滑和多尺度自适应特征分布平滑技术处理不平衡问题。

本节首先介绍数据预处理和感兴趣区域提取的过程，随后详细阐述BMDNeXt的核心架构、神经记忆注意力机制以及上述两种平滑技术。

实验与结果

本节介绍了用于评估的数据库和实验设置，展示了所提出的BMDNeXt框架的性能，给出了相关机制的可视化结果，同时还展示了消融实验和对比实验的结果。

讨论

研究表明，当能够明确建模椎体的体积结构时，常规CT确实可以用于骨密度筛查。通过结合3D特征学习、神经记忆注意力机制以及针对不平衡问题设计的平滑技术，该框架在评估数据集上实现了0.8578的皮尔逊相关系数和0.0203的误差值，严重骨质疏松症筛查的召回率保持在91.2%左右。表11进一步说明了我们的研究成果在机会性筛查领域的独特价值，相较于之前的2D方法或其他通用方法，该框架具有明显优势。

表11进一步明确了我们在机会性筛查领域的研究贡献。

结论

本文提出了BMDNeXt，这是一种基于常规CT的骨质疏松症机会性筛查方法，它融合了3D骨小梁特征学习、神经记忆注意力机制以及针对不平衡问题设计的平滑技术。其核心思想在于：当目标数据分布存在偏斜时，应同步学习椎体的体积表示方式与基于密度信息的回归校准方法。在所研究的单中心、单扫描仪的数据集上，BMDNeXt的均方误差为0.0803 g/cm2，皮尔逊相关系数为0.8578，严重骨质疏松症筛查的召回率为91.2%。

CRediT作者贡献说明

张玉燕：论文初稿撰写、可视化处理、方法设计、概念构思。 江阳：数据整理工作。 王希：论文审阅与编辑。 张毅：论文审阅与编辑、研究指导、方法设计、概念构思。 杨毅：数据整理工作。 徐雷：论文审阅与编辑、项目管理工作、方法设计、资金筹集。

利益冲突声明

作者声明不存在任何可能影响本研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了国家自然科学基金委员会青年科学基金项目（项目编号：62406208）以及四川省科学技术厅国际合作项目的支持（项目编号：2025YFHZ0237）。

数据与代码获取方式

由于严格的机构隐私规定以及患者信息保密的伦理要求，本研究使用的原始临床CT数据集无法公开共享。为确保我们算法成果的可重复性，

张玉燕|江阳|王希|张毅|杨毅|徐雷

中国四川大学计算机科学学院机器智能实验室，成都