Hip segmentation from MRI volumes in infants for DDH diagnosis and treatment planning
Notice bibliographique
Résumé
Diagnosis and surgical management of Developmental Dysplasia of the Hip (DDH) relies on physical examination and 2D ultrasound scanning. Magnetic Resonance Imaging (MRI) can be used to complement existing techniques and could be advantageous in treatment planning due to its larger field of view. In this paper we propose a semi-automatic method to segment surface models of the acetabulum from MRI images. The method incorporates clinical knowledge in the form of intensity priors which are integrated into a Random Walker (RW) formulation. We use a modified RW framework which compensates for incomplete or blurred boundaries in the image by using information from neighboring slices in the sequence incorporated as node weights. We conducted a pilot study to evaluate the segmentation on a set of 10 infant hip MRI sequences using a 1.5 Tesla MR scanner. Contours obtained from the semi-automated segmentation were compared against manually segmented hip contours using Dice Ratio (DR), Hausdorff Distance (HD) and Root Mean Square (RMS) distance. The proposed method gave values of (DR = 0.84 ± 0.5, HD =3.0 ± 0.7, RMS =1.9 ± 0.3) and (DR=0.86 ± 0.2, HD=3.0 ± 0.1, RMS= 2.0 ± 0.6) for right and left acetabular contours respectively which was higher than the corresponding values obtained from conventional RW segmentation. The execution time of the segmentation algorithm was less than ~4 seconds on a 3.5 GHz CPU.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».