Toward automatic diagnosis of hip dysplasia from 2D ultrasound
Notice bibliographique
Résumé
Developmental dysplasia of the hip (DDH) is a congenital deformity occurring in ∼3% of infants. If diagnosed early most cases of DDH can be effectively treated using a Pavlik harness. However, current diagnosis of DDH using 2D ultrasound is and can have high inter-operator variability. In this paper we propose a method to automatically segment the acetabulum bone and derive geometric indices of hip dysplasia from this model. In the proposed method, using multi-scale superpixels, we incorporate global and local image features into a Deep Learning framework to obtain a probability map of the bone to be segmented and then use this map in probabilistic graph search to guide the segmentation. Clinically relevant geometric measures of hip dysplasia, including a new index of acetabular rounding, are then automatically calculated from the segmented acetabulum contour. We tested this method on 2D ultrasound of 50 infant hips and the contours generated matched closely with manual segmentations at root mean square error 1.8±0.7 mm and Hausdorff distance 2.1±0.9 mm. In this pilot data, the measured indices of dysplasia give an area under the curve of 86.2% for classifying normal vs dysplastic hips. The proposed approach could be used clinically for accurate and automatic diagnosis of hip dysplasia in infants.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».