Automatic segmentation and tracking of biological prosthetic heart valves
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: Prosthetic heart valve designs must be rigorously tested using cardiovascular equipment. The valve orifice area over time constitutes a key quality metric which is typically assessed manually, thus a tedious and error-prone task. From a computer vision viewpoint, a major unsolved issue lies in the orifice being partly occluded by the leaflets’ inner side or inaccurately depicted due to its transparency. Here, we address this issue, which allows us to focus on the accurate and automatic computation of valve orifice areas. Approach: We propose a segmentation approach based on the detection of the leaflets’ free edges. Using video frames recorded with a high-speed digital camera during in vitro simulations, an initial estimation of the orifice area is first obtained via active contouring and thresholding and then refined to capture the leaflet free edges via a curve transformation mechanism. Results: Experiments on video data from pulsatile flow testing demonstrate the effectiveness of our approach: a root-mean-square error (RMSE) on the temporal extracted orifice areas between 0.8% and 1.2%, an average Jaccard similarity coefficient between 0.933 and 0.956, and an average Hausdorff distance between 7.2 and 11.9 pixels. Conclusions: Our approach significantly outperformed a state-of-the-art algorithm in terms of evaluation metrics related to valve design (RMSE) and computer vision (accuracy of the orifice shape). It can also cope with lower quality videos and is better at processing frames showing an almost closed valve, a crucial quality for assessing valve design malfunctions related to their improper closing.
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.
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 découle