Automatic Detection of Scoliotic Curves in Posteroanterior Radiographs
Notice bibliographique
Résumé
Spinal deformities are diagnosed using posteroanterior (PA) radiographs. Automatic detection of the spine on conventional radiographs would be of interest to quantify curve severity, would help reduce observer variability and would allow large-scale retrospective studies on radiographic databases. The goal of this paper is to present a new method for automatic detection of spinal curves from a PA radiograph. A region of interest (ROI) is first extracted according to the 2-D shape variability of the spine obtained from a set of PA radiographs of scoliotic patients. This region includes 17 bounding boxes delimiting each vertebral level from T1 to L5. An adaptive filter combining shock with complex diffusion is used to individually restore the image of each vertebral level. Then, texture descriptors of small block elements are computed and submitted for training to support vector machines (SVM). Vertebral body's locations are thereby inferred for a particular vertebral level. The classifications of block elements for all 17 SVMs are identified in the image and a voting system is introduced to cumulate correctly predicted blocks. A spline curve is then fitted through the centers of the predicted vertebral regions and compared to a manual identification using a Student t-test. A clinical validation is performed using 100 radiographs of scoliotic patients (not used for training) and the detected spinal curve is found to be statistically similar (p < 0.05) in 93% of cases to the manually identified curve.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».