Bone and joint enhancement filtering: Application to proximal femur segmentation from uncalibrated computed tomography datasets
Notice bibliographique
Résumé
Methods for reliable femur segmentation enable the execution of quality retrospective studies and building of robust screening tools for bone and joint disease. An enhance-and-segment pipeline is proposed for proximal femur segmentation from computed tomography datasets. The filter is based on a scale-space model of cortical bone with properties including edge localization, invariance to density calibration, rotation invariance, and stability to noise. The filter is integrated with a graph cut segmentation technique guided through user provided sparse labels for rapid segmentation. Analysis is performed on 20 independent femurs. Rater proximal femur segmentation agreement was 0.21 mm (average surface distance), 0.98 (Dice similarity coefficient), and 2.34 mm (Hausdorff distance). Manual segmentation added considerable variability to measured failure load and volume (CVRMS > 5%) but not density. The proposed algorithm considerably improved inter-rater reproducibility for all three outcomes (CVRMS < 0.5%). The algorithm localized the periosteal surface accurately compared to manual segmentation but with a slight bias towards a smaller volume. Hessian-based filtering and graph cut segmentation localizes the periosteal surface of the proximal femur with comparable accuracy and improved precision compared to manual segmentation.
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 ».