Automatic ROI Placement in the Upper Trapezius Muscle in B-mode Ultrasound Images
Notice bibliographique
Résumé
Research involving B-mode ultrasound imaging often requires user defined regions of interest (ROIs) for analysis, traditionally drawn/selected by a trained operator. This manual process is incredibly time consuming and subjective. Here, we propose a fast and simple method of detecting the average location of aponeurosis layers in ultrasound images of the upper trapezius to place a rectangular ROI for quantitative image analysis. A total of 56 B-mode ultrasound images were analyzed, where rectangular ROIs were manually placed in the skeletal muscle by two trained operators. Interoperator agreement was determined between the ROI border locations using intercorrelation coefficient (ICC). Next, our automatic algorithm was applied (image thresholding, binary masking, and pixel intensity peak detection), estimating the mean position of both aponeurosis layers for rectangular ROI placement. The automatic estimation method was compared with the manual (visual) method by various statistics ( t test, linear correlation, Bland-Altman plot). The performance was also evaluated under additive noise conditions (Speckle). Finally, agreement of the overlapping ROI area between the manual and automatic methods was also computed. Performance of the automatic method compared with manual placement was excellent for both the superficial and deep ROI borders, performing consistently even with additive noise (error <0.674 ± 1.69 mm). Manual measurements indicated excellent consensus (ICC = 0.902) between operators. The overlapping area between the manual and automatic measurements demonstrated good agreement (90.65 ± 11.3%). With constraints, our method is robust even under large levels of noise addition making the automatic algorithm an acceptable replacement for manual ROI placement in the upper trapezius.
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 | 0,000 |
| 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) | 0,000 | 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 ».