神经形状模型编码了统计形状模型没有捕捉到的骨骼形状特征

最近提出的B-Score使用统计形状模型(SSM)将股骨形状表示为类似于骨质疏松症T-score的标量值。B-Score对OA骨形态进行量化，定义为平均健康骨形态(B-Score=0)到平均OA骨形态的距离，其中1个单位等于健康B-Score的标准差[Bowes et al. 2021]。然而，ssm需要找到受试者股骨之间的匹配点，并学习线性特征，这可能会限制他们捕捉生理形状的能力。神经形状模型(Neural Shape Models, NSM)已经被证明可以表示物体表面，而不需要使用非线性神经网络在受试者之间匹配点。在这里，我们使用NSMs来重建骨骼形状，并使用这些特征来编码OA信息。目的比较NSM和SSM学习的b分数。方法纳入562名参加OAI的患者，其中女性335名，平均年龄63.5(8.9)岁，BMI 30.8(4.8) kg/m2, KLG计数0=35,1=79,2=269,3=167,4=12。图1描述了数据分析管道;矢状面DESS mri使用CNN分割，股骨表面使用行军立方体提取。NSM和SSM模型与半数受试者的24个月数据拟合。NSM和SSM学习到的特征空间分别为256维和90维。使用拟合模型从所有受试者的48个月数据中获得形状特征。最后，计算NSM和SSM的b -分数，评估NSM和SSM特征空间对学习b -分数的影响。为了确定每个模型是否有能力表示另一个模型的B-Score，使用线性回归计算由另一个模型的特征空间解释的B-Score的方差量。由于B-Score在每个KLG等级内产生一系列分数，因此绘制了每个KLG的b -分数分布。计算OA膝关节B-Score四分位数(1 vs 2、3、4)之间膝关节疼痛和TKA的比值比(OR) (KLG >=2)。疼痛的定义采用先前的标准[Morales等，2021]。结果NSM解释了82%的SSM B-score方差，但SSM只解释了55%的NSM B-score方差(图2)。图3显示了每个KLG的B-score分布，表明在一个KLG内，有一系列的B-score提供了更具体的形状信息。表1包括疼痛和TKA在四分位数1和所有其他四分位数之间的or值。结论NSM无需寻找被试之间的匹配点，即可学习编码OA临床相关信息的非线性形状特征。NSM和SSM在预测临床结果方面表现相似。NSM在KLG之间的b分范围更大，主要是由于KLG 0和1之间的巨大差异，这可能表明NSM具有更大的表达性。SSM在预测NSM b -得分方面做得很差，这在klg0膝关节中尤其明显，因为SSM无法在健康范围内重现NSM b -得分(图2)。klg0和4膝关节的小样本可能限制了SSM和NSM b -得分。来自OAI的更多数据可能会使更灵活的NSM学习更有表现力的表示，特别是在代表性不足的子样本中，比如klg4膝盖。本研究的结果表明，NSM捕获了SSM无法学习的新骨形状信息。