Vertebral labeling on MRI using deep learning techniques
Notice bibliographique
Résumé
For the diagnosis and monitoring of various diseases in the spine and the central nervous system, the detection and labeling of vertebrae in magnetic resonance imaging (MRI) is useful. Although several automatic methods for the detection and labeling of vertebrae have been developed, this is still an open task in which many improvements can be made. One way to detect the vertebra is to focus on the intervertebral discs (IVD), which are natural spacers between vertebrae. In this work, we present a set of convolutional networks (CNN) that perform regression for the detection and labeling of the IVD. The entry for each of the CNNs is the midsagittal plane image of the acquired volume. Each CNN is in charge of detecting one intervertebral disc, so the labeling is done implicitly. The output of each CNN is the coordinate (x, y) of the located IVD. We have done the training with the first 6 IVD (C2-C3 to C7-T1) using a total of 631 images with a pixel resolution of 1mm x 1mm. The mean error is between 2.98.mm and 4.33mm, the standard deviation range is between ±2.45 and ±3.45. Such results are competitive with the state of the art but require significantly less computational resources (estimated 2x) than other architectures based on fully convolutional networks.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».