An Automated and Accurate Spine Curve Analysis System
Notice bibliographique
Résumé
We present a new Adaptive Error Correction Net (AEC-Net) to formulate the estimation of Cobb anges from spinal X-rays as a high-precision regression task. Our AEC-Net introduces two novel innovations. (1) The AEC-Net contains two networks calculating landmarks and Cobb angles separately, which robustly solve the disadvantage of ambiguity in X-rays since these networks focus on more features. It effectively handles the nonlinear relationship between input images and quantitative outputs, while explicitly capturing the intrinsic features of input images. (2) Based on the two estimated angles, the AEC-Net proposed a new loss function to calculate the final Cobb angles. The optimization of the loss function is based on a high-precision calculation method. The deep learning structure is used to complete this optimization, which achieves higher accuracy and efficiency. We validate our method with the spinal X-rays dataset of 581 subjects with signs of scoliosis at varying extents. The proposed method achieves high accuracy and robustness on the Cobb angle estimations. Comparing to the exsiting conventional methods suffering from tremendous variability and low reliability caused by high ambiguity and variability around boundaries of the vertebrae, the AEC-Net obtain Cobb angles accurately and robustly, which indicates its great potential in clinical use. The highly accurate Cobb angles produced by our framework can be used by clinicians for comprehensive scoliosis assessment, and possibly be further extended to other clinical applications.
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) | 0,000 | 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 ».