FC-MoE整体框架

脊柱 CT 自动分割是骨科智能影像诊断、手术术前规划、脊柱机器人术中导航的核心基础技术。然而，人体脊柱的椎体排列紧密，不同节段解剖结构差异显著、局部纹理复杂，现有的CT自动分析使用的Transformer等深度学习模型，普遍采用统一特征建模方式，容易造成不同椎体之间特征混淆，影响自动分割精度。

针对这一问题，中国科学院沈阳自动化研究所机器人学研究室宋国立研究员团队提出一种基于频域因果推理的混合专家网络（FC-MoE），为复杂脊柱影像高精度自动分割提供了新的技术解决方案。

该研究首次将频域分析、因果约束和混合专家网络有机结合，通过频率域解耦全局解剖结构与局部纹理特征，引入符合人体脊柱解剖规律的因果约束机制，并采用层次化专家路由的方式，实现不同脊柱节段的自适应特征学习，从而有效提高了复杂脊柱CT图像的自动分割性能。在VerSe2020测试集上，该模型取得97.77%的椎体识别率、92.28%的Dice分割精度以及1.12 mm的平均定位误差，验证了该方法在复杂脊柱CT自动分析中的优越性能。

该研究建立了“频域因果推理+混合专家网络”的新型医学图像分析框架，为链式解剖结构（如脊柱、肋骨、肠道等）CT的智能分割提供了新的技术路线，也为智能骨科机器人应用、脊柱手术导航、术前规划及精准医疗提供了重要技术支撑。

中国医科大学附属盛京医院为该研究提供了贯穿全临床流程的支持，包括临床数据采集、医学专家标注、临床验证及应用评价等关键环节，为算法研发、性能验证及临床应用转化提供了有力保障。

研究成果以Mixture-of-Experts Network via Frequency-Causal Reasoning for Spinal CT Segmentation为题发表于国际人工智能领域期刊Expert Systems with Applications。论文第一作者为沈阳自动化所宋国立研究员，通讯作者为中国医科大学附属盛京医院张磊教授。

该研究得到了国家重点研发计划、中国科学院青年创新促进会以及辽宁省自然科学基金青年基金A类项目的支持。（机器人学研究室）

DOI:10.1016/j.eswa.2026.132907

论文链接：https://www.sciencedirect.com/science/article/pii/S0957417426018191