Vertebral classification using localized pathology-related shape model
Notice bibliographique
Résumé
Radiographs of the spine are frequently examined for assessment of vertebral abnormalities. Features like osteophytes (bony growth of vertebra's corners), and disc space narrowing are often used as visual evidence of osteoarthris or degenerative joint disease. These symptoms result in remarkable changes in the shapes of the vertebral body. Statistical analysis of anatomical structure has recently gained increased popularity within the medical imaging community, since they have the potential to enhance the automated diagnosis process. In this paper, we present a novel method for computer-assisted vertebral classification using a localized, pathology-related shape model. The new classification scheme is able to assess the condition of multiple vertebrae simultaneously, hence is possible to directly classify the whole spine anatomy according to the condition of interest (anterior osteophites). At the core of this method is a new localized shape model that uses concepts of sparsity, dimension reduction, and statistical independence to extract sets of localized modes of deformations specific to each of the vertebrae under investigation. By projection of the shapes onto any specific set of deformation modes (or basis), we obtain low-dimensional features that are most directly related to the pathology of the vertebra of interest. These features are then used as input to a support vector machine classifier to classify the vertebra under investigation as normal or upnormal. Experiments are conducted using contours from digital x-ray images of five vertebrae of lumbar spine. The accuracy of the classification scheme is assessed using the ROC curves. An average specifity of 96.8 % is achieved with a sensitivity of 80 %.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».