An Investigative Analysis on Mapping X-Ray to Live Using Convolution Neural Networks for Detection of Genu Valgum
Notice bibliographique
Résumé
Introduction: Bow Legs and Knock Knees are quite common in growing children, which usually affect the lower portions of the body, however such disorders usually do not have any pathological significance.In this paper, we investigate a method using deep learning to correctly draw a boundary between a physiologically normal knee and a genu valgum.Objective: To draw a decision boundary between what is classified as Normal and what is "Abnormal" i.e. a knee exhibiting features of Knock knees which is Genu Valgum by using AI and ML tools.Methods: For this study the Adam Gradient descent was used which is a combination of AdaGrad and RMSProp.There is also an implementation of grid search for "self-selection" of parameters by the neural network which is the unique point that most existing ML algorithms on account of self-learning capability much like un-supervised learning but limited to parameter selection.In the second part, we try to investigate the outcome using X-ray version of the disorder and try to compare if the result is truthful in accordance to the patient's case.Results: The two types of Knees had been correctly classified up to an accuracy of 89% to 90% (by using normal to normal) which is really good for most physicians or sports instructors to use as an initial screening tool for most athletes/patients.However, the second part shows interesting results with an accuracy of 60% (X-ray to Normal).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».