Vertebral segmentation using contourlet-based salient point matching and localized multiscale shape prior
Notice bibliographique
Résumé
Medical experts often examine hundreds of spine x-rays to determine existence of diseases like osteoarthritis, osteoporoses, and osteophites. Accurate vertebrae segmentation plays a great role in the proper assessment of various vertebral abnormalities. Manual segmentation methods are both time consuming and non-reproducible, hence, developing efficient computer-assisted segmentation methods has been a long standing goal. Over the past decade, segmentation methods that utilize statistical models of shape and appearance have drawn much interest within the medical imaging community. However, despite being a promising approach, they are always faced with a number of challenges such as: poor image quality, and the ability to generalize well to unseen vertebral deformities. This paper presents a novel vertebral segmentation method using Contourlet-based salient point matching and a localized multi-scale shape prior. We employ a multi-scale directional analysis tool, namely contourlets, to build local appearance profiles at salient points of the vertebra's body. The contourlet-based local appearance model is used to detect the vertebral bodies in the test x-ray image. A novel localized multi-scale shape prior is used to drive the segmentation process. Within a best-basis selection framework, the proposed shape prior benefits from the multi-scale nature of wavelet packets, and the capability of ICA to capture hidden independent modes of variations. Experiments were conducted using a set of 100 digital x-ray images of lumbar spines. The contourlet-based appearance profiles and the localized multi-scale shape prior were constructed using a training subset of images, and then matched to unseen images. Promising results were obtained compared to related work in the literature with an average segmentation error of 1.1997 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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».