Semi-Automatic Snake-Based Segmentation of Carotid Artery Ultrasound Images
Notice bibliographique
Résumé
Carotid ultrasound imaging is one of the clinical diagnostic procedures that can be employed to detect plaque buildup at the carotid artery walls. It is an inexpensive and non-invasive procedure that has no known side effects. Yet, the acquired ultrasound images have poor quality and contain a lot of noise. Active contouring segmentation techniques (also known as snakes or deformable model) are characterized by their robustness to both image noise and boundary gaps. Hence, they are suitable to be used to segment noisy poor quality ultrasound images. One of the major issues of active contouring methods is their sensitivity to the initial contour that is provided by the user. Unless it is drawn close enough to the actual contour, it may lead to unsatisfactory results. Thus, most active contour algorithms require considerable user interaction to provide a good initial contour. This paper presents an efficient algorithm for extracting carotid artery lumens in ultrasound images. It starts by utilizing a rule-based scheme to generate an initial contour for the lumen. This contour is refined using a snake scheme, after carefully adjusting its energies. Our algorithm reduces the user interaction, as the user is only required to place a seed point inside the region of interest. It is worth mentioning that our proposed initial contour generation scheme can be easily integrated as an independent module with any active contouring algorithm. Sensitivity, precision rate, and overlap ratio are utilized to assess the performance of the proposed scheme. The results show that the extracted initial and final contours have a good overlap with contours that are manually segmented by an experienced clinician.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,006 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».