eCurves: A Temporal Shape Encoding
Notice bibliographique
Résumé
OBJECTIVE: This paper presents a framework for temporal shape analysis to capture the shape and changes of anatomical structures from three-dimensional+t(ime) medical scans. METHOD: We first encode the shape of a structure at each time point with the spectral signature, i.e., the eigenvalues and eigenfunctions of the Laplace operator. We then expand it to capture morphing shapes by tracking the eigenmodes across time according to the similarity of their eigenfunctions. The similarity metric is motivated by the fact that small-shaped deformations lead to minor changes in the eigenfunctions. Following each eigenmode from the beginning to end results in a set of eigenmode curves representing the shape and its changes over time. RESULTS: We apply our encoding to a cardiac dataset consisting of series of segmentations outlining the right and left ventricles over time. We measure the accuracy of our encoding by training classifiers on discriminating healthy adults from patients that received reconstructive surgery for Tetralogy of Fallot (TOF). The classifiers based on our encoding significantly surpass deformation-based encodings of the right ventricle, the structure most impacted by TOF. CONCLUSION: The strength of our framework lies in its simplicity: It only assumes pose invariance within a time series but does not assume point-to-point correspondence across time series or a (statistical or physical) model. In addition, it is easy to implement and only depends on a single parameter, i.e., the number of curves.
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 ».