Semi-automatic segmentation of preterm neonate ventricle system from 3D ultrasound images
Notice bibliographique
Résumé
3D Ultrasound (US) has been developed recently to image the intracranial ventricular system of pre-term neonates in order to monitor these patients for intraventricular hemorrhage (IVH) and the resultant dilatation of the ventricles. 3D US is capable of providing volumetric ventricle measurements, compared to clinically used 2D US, relying on linear measurements from a single slice, and visual and quantitative estimates to determine the severity of ventricular dilatation. In this work, we propose a convex optimization-based segmentation approach for 3D US images of the cerebral ventricles in preterm neonates with IVH. The proposed semi-automatic segmentation method makes use of the latest development in convex optimization techniques supervised by user interactive information. Experiments using 25 3D US images of 5 patients (5 time points for each subject) show that our proposed approach yielded a mean DSC of 78.9% compared to a manually contoured surface. This GPU-implemented semi-automated approach reduced the time required per segmentation by 1200% (mean times: 2.5 vs. 30 minutes). In addition, the intra-observer variability experiments showed that the variability introduced by the user initialization is small in terms of DSC, demonstrating a low intra-user variability.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».