3D segmentation of the tongue in MRI: a minimally interactive model-based approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Static magnetic resonance imaging partially resolves soft tissue details of the oropharynx, which are crucial in swallowing and speech studies. However, delineation of tongue tissue remains a challenge due to the lack of definitive boundary features. In this article, we propose a minimally interactive inter-subject mesh-to-image registration scheme to tackle 3D segmentation of the human tongue from MRI volumes. A tongue surface-mesh is first initialised using an exemplar expert-delineated template, which is then refined based on local intensity similarities between the source and target volumes. A shape-matching technique [Gilles B, Pai D. 2008. Fast musculoskeletal registration based on shape matching. Paper presented at: MICCAI 2008. Proceedings of the 11th International Conference on Medical Image Computing and Computer Assisted Intervention; New York, NY, USA] is applied for regularising the deformation. We enable effective minimal user interaction by incorporating additional boundary labels in areas where automatic segmentation is deemed inadequate. We validate our method on 18 normal subjects using expert manual delineation as the ground truth. Results indicate an average segmentation accuracy of overlap of 90.4 ± 0.4% and distance of 2 ± 0.2 mm, achieved within an expert interaction time of 2 ± 1 min per volume.
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.
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 | 0,000 |
| 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 découle