Automatic needle segmentation in three-dimensional ultrasound images using two orthogonal two-dimensional image projections
Notice bibliographique
Résumé
In this paper, we describe an algorithm to segment a needle from a three-dimensional (3D) ultrasound image by using two orthogonal two-dimensional (2D) image projections. Not only is the needle more conspicuous in a projected (volume-rendered) image, but its direction in 3D lies in the plane defined by the projection direction and the needle direction in the projected 2D image. Hence, using two such projections, the 3D vector describing the needle direction lies along the intersection of the two corresponding planes. Thus, the task of 3D needle segmentation is reduced to two 2D needle segmentations. For improved accuracy and robustness, we use orthogonal projection directions (both orthogonal to a given a priori estimate of the needle direction), and use volume cropping and Gaussian transfer functions to remove complex background from the 2D projection images. To evaluate our algorithm, we tested it with 3D ultrasound images of agar and turkey breast phantoms. Using a 500 MHz personal computer equipped with a commercial volume-rendering card, we found that our 3D needle segmentation algorithm performed in near real time (about 10 fps) with a root-mean-square accuracy in needle length and endpoint coordinates of better than 0.8 mm, and about 0.5 mm on average, for needles lengths in the 3D image from 4.0 mm to 36.7 mm.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».