Improving 3D Ultrasound Scan Adequacy Classification Using a Three-Slice Convolutional Neural Network Architecture
Notice bibliographique
Résumé
Accurately detecting and diagnosing developmental dysplasia of the hip (DDH), a common hip instability condition among infants, requires ultrasound (US) image data that captures the relevant anatomical structures. Our group has recently introduced a technique for automatically processing 3D US scans of the neonatal hip that significantly reduces dysplasia metric measurement variability, but it can be challenging for a clinician to know at the time of acquisition if they have acquired a volume suitable for analysis. We have previously introduced a single-slice-based approach for assessing adequacy of acquired volumes that worked reasonably well, but we believe that more explicitly three-dimensional approaches would be more robust and reliable. Here, we propose a new technique based on a convolutional neural network (CNN) architecture that incorporates inter-slice information and transfer learning. Our classifier labels volumes as adequate or inadequate for subsequent interpretation based on detecting the presence of key hip anatomical structures needed for DDH diagnosis. We validate our approach on 40 datasets from 15 pediatric patients and demonstrate a slice classification rate of 93% (improving on our previous implementation by 3%) with average processing time of 2 seconds per US volume. We expect automatic US scan adequacy assessment to have significant clinical impact with the potential to help in imaging standardization, improving efficiency of measuring DDH metrics, and improving accuracy of clinical decision making.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».