Graph Cuts-based Segmentation of Alveolar Bone in Ultrasound Imaging
Notice bibliographique
Résumé
Alveolar bone is a part of the periodontium complex supporting the teeth. Conventional radiography and cone-beam computed tomography are currently used to image the alveolar bones. Recently, ionizing radiation-free ultrasound has shown promising potential to image dento-periodontium. However, the ability to visualize alveolar bones in ultrasound images is a challenge for the dentists who are novice to ultrasonography. This study proposes a semi-automated technique to segment alveolar bone by using a multi-label graph cuts optimization approach, where the K-means clustering of intensity values was used in constructing the initial graph. A homomorphic filter was employed as a preprocessing step to de-noise the ultrasound data. The approach was evaluated by over 15 ultrasound images acquired from fresh porcine specimens. Four quantitative evaluators, namely Dice coefficient, sensitivity, specificity, and Hausdorff distance were measured from the proposed method and the manual ground truth by an expert orthodontist. The inter-rater and intra-rater variabilities were also calculated using the delineations by three raters with different levels of experience. The study has demonstrated that the proposed segmentation method provides consistent, reliable, and accurate results among raters and thus has potential to be used as a tool to help dentists to delineate alveolar bones for further analysis.
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 | 0,001 |
| 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 | 0,000 | 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 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 ».