脊柱关键点检测新范式：像素级对比学习+可微形状建模

脊柱X光片的关键点检测是评估脊柱变形严重程度、构建生物力学模型和术前规划的关键步骤。传统方法通常采用热图回归，但往往难以区分相邻椎骨的角点。近期一篇论文提出将解剖关键点检测重新定义为像素级对比表示学习问题，并融合可学习的形状先验，在多个数据集上取得了与最先进方法相竞争的性能。

脊柱关键点检测示意图

从热图回归到像素级对比学习

传统的关键点检测方法通常将问题建模为热图回归：网络预测每个像素属于关键点的概率，然后取峰值作为预测位置。然而，这种方法在脊柱X光片中面临挑战——相邻椎骨的角点位置接近，热图容易模糊，导致区分度不足。

该研究另辟蹊径，将关键点检测视为像素级对比表示学习问题。具体来说，网络学习将每个像素映射到一个嵌入空间，使得属于同一关键点的像素嵌入与关键点原型（prototype）相近，而不同关键点的像素嵌入则远离。令人惊讶的是，即使使用通用的U-Net骨干网络，这种形式也能产生比传统热图回归更具判别力的热图，从而更好地区分不同椎骨的角点。

这一发现的意义在于：它表明通过对比学习目标，模型能够自动学习到更细粒度的特征，而无需复杂的网络设计。据论文所述，该方法在公开的AASCE数据集和两个私有脊柱X光数据集上，关键点准确度和临床参数估计均与最先进方法相当。

热图回归是人体姿态估计和关键点检测中的经典范式。其做法是为每个关键点生成一张高斯热图作为监督信号，网络输出每个像素成为该关键点的概率，推理时取热图峰值坐标作为预测位置。热图回归的优点在于保持了空间结构信息，对关键点的定位精度较高，且输出形式与卷积网络天然兼容。但其局限也很明显：当多个关键点距离很近时，高斯热图会发生重叠与模糊，峰值难以区分；此外热图分辨率受下采样影响，需要额外的偏移量回归或上采样来恢复精度。脊柱X光片中相邻椎骨角点间距小、外观相似，正是热图回归容易失效的典型场景。

对比表示学习的核心思想是拉近正样本对在嵌入空间中的距离、推远负样本对，从而学习到判别性强的特征表示。常见做法如InfoNCE损失，通过大量负样本来近似互信息下界。像素级对比学习则将这一思想下沉到每个像素：把属于同一关键点的像素视为正样本，不同关键点的像素视为负样本，并引入一组可学习的关键点原型作为锚点。这样网络不仅要判断像素“是不是关键点”，还要判断“是哪一个关键点”，从而在嵌入空间中将不同椎骨的角点自然分开。这种目标比逐像素分类提供了更细粒度的监督信号，也是该方法热图判别力更强的根本原因。

可微形状建模：解耦位置歧义

尽管像素级对比学习提升了热图的判别力，但仅靠局部外观信息仍可能在某些情况下产生歧义，例如当某个关键点被遮挡或图像对比度较低时。为此，研究团队进一步引入了可学习的形状先验，对脊柱关键点的全局配置进行建模。

具体而言，他们将热图与形状先验结合，通过可微的方式优化关键点位置。形状先验能够捕捉脊柱关键点之间的空间关系（如椎骨的相对位置和角度），从而在局部信息不可靠时提供全局约束，解决位置歧义。这种组合形成了一种简单而实用的脊柱关键点检测流程。

据论文描述，该方法在AASCE数据集和两个私有数据集上均表现出竞争力，不仅在关键点定位精度上媲美现有方法，在临床参数（如Cobb角）估计上也取得了良好效果。

可微优化指将某个优化过程（如最小化形状先验的能量函数）实现为可求导的模块，使梯度能够从优化结果回传到前端网络，实现端到端训练。在关键点检测中，常见做法是将热图响应与形状约束共同构成能量项，通过若干步可微的迭代求解（如梯度下降或可微的拟合层）得到最终关键点坐标。相比先取峰值再做后处理的不可微流程，可微形状建模能让形状先验在训练阶段就影响特征学习，使网络输出的热图与全局解剖约束相互适配。代价是需要设计合适的能量函数与迭代步数，并在精度与计算开销之间权衡。