Segmentation d’image échotomographique par régions actives géodésiques
Notice bibliographique
Résumé
Dans cette etude nous nous interessons a la segmentation d’images ultrasonores vasculaire in vivo. Nous developpons une methode de segmentation utilisant, d’une facon originale, le modele de regions actives geodesiques. Cette approche tient compte a la fois des informations contours et regions. Nous exploitons les proprietes statistiques de ces informations. Pour cela l’information region est approchee par un modele de distribution de niveaux de gris de la region. La recherche des contours est faite par la methode des ensembles de niveaux a partir d’une courbe initiale. Nous avons teste notre algorithme sur des images ultrasonores reelles, images echotomographiques veineuses in vivo presentant un thrombus que nous cherchons a isoler. Les resultats experimentaux obtenus illustrent bien les bonnes performances de notre algorithme pour detecter et localiser le thrombus, et montrent aussi que notre methode est bien adaptee a la segmentation des images ultrasonores vasculaire. English version:In this paper a new segmentation method for ultrasound vascular images is developed, applying a geodesic active region model. This approach takes into account both boundary and region information. The region information are approached with a gray level distribution model. The evolution of initial curve has been implemented using a level set method. The algorithm was tested in vivo on real B-mode ultrasound images, to isolate the thrombus in venous ultrasound images. The experimental results confirmed the relevance of this approach to detect and locate the thrombus, and showed also that the method is adapted to ultrasound vascular images.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».