An Automated Approach for Kidney Segmentation in Three-Dimensional Ultrasound Images
Notice bibliographique
Résumé
Automated segmentation of kidneys in three-dimensional (3-D) abdominal ultrasound volumes is a task of paramount importance in automated diagnosis of abdominal trauma. However, ultrasound speckle noise, low-contrast boundaries, partial kidney occlusion, and probe misalignment restrict the utility of the solution, especially when it is used in emergency rooms and Focused Assessment with Sonography Trauma applications. This paper introduces a systematic and cost-effective method capable of detecting and segmenting the kidney's shape in acquired 3-D ultrasound volumes, using off-line training datasets. This paper offers a new shape model representation, called the complex-valued implicit shape model, to generate a 3-D kidney shape model by combining prior knowledge of training shapes and anatomical knowledge. We apply shape-to-volume registration, based on a new similarity metric, to detect the kidney shape by fitting the 3-D shape model on 3-D ultrasound volumes. Upon kidney detection, the fitted shape model is used to initialize and evolve a new level-set function, called complex-valued rational level-set with shape prior, to segment the kidney's shape. Experimentation using both simulated and actual ultrasound volumes indicate that the proposed solution provides a better performance over the state-of-the-art volumetric ultrasound segmentation methods.
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 | 0,001 | 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 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 ».