Automatic segmentation and tracking of biological prosthetic heart valves
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».