Recognition of vertebral compression fractures in magnetic resonance images using statistics of height and width
Notice bibliographique
Résumé
Vertebral compression fractures (VCFs) present as partial collapses of vertebral bodies and may occur secondary to osteoporosis bone fragility and to metastatic cancer infiltration. The correct diagnosis of nontraumatic VCFs is therefore, fundamental for correct treatment. We aimed to classify VCFs using T1-weighted magnetic resonance images (MRI) of the lumbar spine acquired in the sagittal plane. Our study group comprised 63 patients (38 women and 25 men). From these patients 102 lumbar VCFs (53 benign and 49 malignant) and 89 normal vertebral bodies were manually segmented. The principal axis of each vertebral body region of interest was identified using moments. Statistical features of height and width measured perpendicular and parallel to the principal axis were computed. The k-nearest-neighbor method, a neural network with radial basis functions, and the naïve Bayes classifier were used with feature selection for classification. Areas under the receiver operating characteristic curve of 0.96 in the recognition of VCFs as compared with normal vertebral bodies and 0.73 for the classification of benign versus malignant VCFs were obtained. The proposed methods are promising for the recognition of VCFs, but additional features are needed to improve the classification of benign versus malignant VCFs.
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 | 0,000 | 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 ».