Automatic Detection of Lumbar Anatomy in Ultrasound Images of Human Subjects
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
Ultrasound has been proposed for aiding epidural needle insertion, but challenges remain in differentiating spinal structures due to noise, artifacts, and inexperience by anesthesiologists in ultrasound interpretation. Moreover, the anesthesiologist needs to measure relevant distances while preserving sterile conditions; therefore, interaction with the ultrasound controls must be minimal. Automated measurement is needed. Beam-steered ultrasound images are captured and spatial compounding is used to improve image quality. Phase symmetry is used to enhance bone (lamina) and ligamentum flavum (LF) ridges. A lamina template is matched to this ridge map using Pearson's cross-correlation, and the most likely lamina positions are found. Then, the lamina is traversed using a LF template with the Pearson's cross-correlation, and the location of the LF is obtained. Tests are performed on 39 sets of compounded ultrasound images in the L2-3 and L3-4 levels of the spine in the paramedian plane. The proposed algorithm can detect the laminas in 38 of the 39 images, and the LF in 34 of the 39 images. In successful detections, the automatic detections versus manual segmentation has an rms error of 0.64 mm and average error 0.04 mm, versus independent sonographer-measured depth has a root-mean-squared error of 3.7 mm and average error 2.5 mm, and versus the actual needle insertion depth has a root-mean-squared of 5.1 mm and average error -2.8 mm. The computational time is 4.3 s on a typical personal computer. The accuracy, reliability, and speed suggest this method may be valuable for helping guide epidurals in conjunction with the traditional loss-of-resistance method.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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