ICGM-FRAX: Iterative Cross Graph Matching for Hip Fracture Risk Assessment using Dual-energy X-ray Absorptiometry Images

📄 arXiv: 2504.15384v1 📥 PDF

作者: Chen Zhao, Anjum Shaik, Joyce H. Keyak, Nancy E. Lane, Jeffrey D. Deng, Kuan-Jui Su, Qiuying Sha, Hui Shen, Hong-Wen Deng, Weihua Zhou

分类: cs.CV

发布日期: 2025-04-21

备注: 23 pages, 4 figures

💡 一句话要点

提出ICGM-FRAX，利用双能X射线吸收法图像进行髋部骨折风险评估。

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 髋部骨折风险评估 双能X射线吸收法 图匹配 放射组学 医学图像分析

📋 核心要点

  1. 髋部骨折是老年人常见且严重的健康问题，现有方法在早期准确预测风险方面存在挑战。
  2. ICGM-FRAX通过构建DXA图像的图结构，并迭代比较测试图与模板图的相似性来预测骨折风险。
  3. 实验结果表明，ICGM-FRAX在预测髋部骨折方面具有很高的准确性，灵敏度达到0.9869。

📝 摘要（中文）

髋部骨折是老年人面临的主要健康问题，常导致活动能力下降和死亡率升高。早期准确地识别高危人群对于有效干预至关重要。本研究提出了一种新的髋部骨折风险评估方法，即迭代交叉图匹配（ICGM-FRAX），该方法利用双能X射线吸收法（DXA）图像预测髋部骨折风险。ICGM-FRAX通过迭代比较测试（受试者）图与代表髋部骨折受试者特征的多个模板图，来评估相似性并准确预测髋部骨折风险。DXA图像被分割成多个感兴趣区域（RoI），例如股骨头、股骨干和小转子。然后计算每个RoI的放射组学特征，并将中心坐标用作图中的节点。节点之间的连通性根据这些坐标之间的欧几里得距离建立。这个过程将每个DXA图像转换为一个图，其中每个节点代表一个RoI，边缘由RoI的质心导出，捕捉它们之间的空间关系。如果测试图与代表发生髋部骨折受试者的一组模板图紧密匹配，则将其分类为指示高髋部骨折风险。我们使用来自英国生物样本库数据集的547名受试者评估了我们的方法，实验结果表明ICGM-FRAX的灵敏度达到0.9869，表明在预测髋部骨折方面具有很高的准确性。

🔬 方法详解

问题定义：该论文旨在解决髋部骨折风险的早期准确评估问题。现有方法可能依赖于传统的骨密度测量，未能充分利用DXA图像中蕴含的丰富信息，导致预测准确性不足。因此，需要一种能够更全面地分析DXA图像特征，并准确预测髋部骨折风险的方法。

核心思路：论文的核心思路是将DXA图像转换为图结构，利用图匹配算法来评估个体髋部骨折的风险。通过提取图像中不同区域（RoI）的放射组学特征，并将这些特征的空间关系编码到图中，从而能够更全面地捕捉髋部的结构信息。迭代交叉图匹配算法能够有效地比较测试图与代表高风险人群的模板图，从而实现准确的风险预测。

技术框架：ICGM-FRAX方法的整体流程如下：1) DXA图像分割成多个RoI（如股骨头、股骨颈等）；2) 提取每个RoI的放射组学特征；3) 基于RoI的中心坐标构建图结构，节点代表RoI，边代表RoI之间的空间关系；4) 使用迭代交叉图匹配算法，比较测试图与模板图的相似性；5) 基于图匹配结果，预测髋部骨折风险。

关键创新：该方法的主要创新在于：1) 将DXA图像转换为图结构，能够更有效地捕捉髋部的结构信息；2) 提出迭代交叉图匹配算法，能够更准确地比较测试图与模板图的相似性；3) 结合放射组学特征和图匹配算法，实现了对髋部骨折风险的全面评估。与传统方法相比，ICGM-FRAX能够更充分地利用DXA图像的信息，从而提高预测准确性。

关键设计：在图构建过程中，节点之间的连通性是根据RoI中心坐标的欧几里得距离建立的。迭代交叉图匹配算法的具体实现细节（如迭代次数、匹配策略等）在论文中可能没有详细描述，属于未知信息。损失函数和网络结构等技术细节也未在摘要中提及，属于未知信息。

📊 实验亮点

实验结果表明，ICGM-FRAX在预测髋部骨折方面具有很高的准确性，在包含547名受试者的UK Biobank数据集上，该方法实现了0.9869的灵敏度。这一结果表明，ICGM-FRAX能够有效地识别高危人群，为早期干预提供有力支持。具体的对比基线和提升幅度未在摘要中提及，属于未知信息。

🎯 应用场景

ICGM-FRAX具有广泛的应用前景，可用于临床髋部骨折风险的早期筛查，帮助医生识别高危人群，并制定个性化的预防和干预措施。该方法还可以应用于药物研发，评估新药对骨骼健康的影响。此外，该技术有望推广到其他骨骼疾病的风险评估，具有重要的临床和社会价值。

📄 摘要（原文）

Hip fractures represent a major health concern, particularly among the elderly, often leading decreased mobility and increased mortality. Early and accurate detection of at risk individuals is crucial for effective intervention. In this study, we propose Iterative Cross Graph Matching for Hip Fracture Risk Assessment (ICGM-FRAX), a novel approach for predicting hip fractures using Dual-energy X-ray Absorptiometry (DXA) images. ICGM-FRAX involves iteratively comparing a test (subject) graph with multiple template graphs representing the characteristics of hip fracture subjects to assess the similarity and accurately to predict hip fracture risk. These graphs are obtained as follows. The DXA images are separated into multiple regions of interest (RoIs), such as the femoral head, shaft, and lesser trochanter. Radiomic features are then calculated for each RoI, with the central coordinates used as nodes in a graph. The connectivity between nodes is established according to the Euclidean distance between these coordinates. This process transforms each DXA image into a graph, where each node represents a RoI, and edges derived by the centroids of RoIs capture the spatial relationships between them. If the test graph closely matches a set of template graphs representing subjects with incident hip fractures, it is classified as indicating high hip fracture risk. We evaluated our method using 547 subjects from the UK Biobank dataset, and experimental results show that ICGM-FRAX achieved a sensitivity of 0.9869, demonstrating high accuracy in predicting hip fractures.