An inverse technique to identify participant‐specific bone adaptation from serial <scp>CT</scp> measurements
Notice bibliographique
Résumé
Abstract Simulated bone adaptation is framed as an interface evolution problem. The interface is extracted from a high‐resolution computed tomography (CT) image of trabecular bone microarchitecture and modified by the level set equation. A model and its parameters determine the bone adaptation rate and thus the bone structure at any future time. This study develops an inverse problem and solver to identify model parameters from multiple high‐resolution CT images of bone within the level set framework. We demonstrate the technique on a model of advection and mean curvature flow, termed curvature‐driven adaptation. The inverse solver uses two CT scans to estimate model parameters, which map the bone surface from one image to the next. The solver was tested with synthetic images of bone changing according to the curvature‐driven model with known model parameters. The algorithm recovered known model parameters excellently ( R 2 > .99, p < .001). A grid search indicated that the estimated model parameters were insensitive to hyper‐parameter selection for learning rate 1e −5 5e −5 and gradient scaling factor 5e −5 5e −4 . Finally, we tested the algorithm's sensitivity to salt‐and‐pepper noise of probability , where .0 .9. Model parameter accuracy did not change for < .7, corresponding to Dice coefficients greater than .7. The inverse problem estimates bone adaptation parameters from multiple CT images of changing bone microarchitecture. In the future, this technique could be used to determine participant‐specific bone adaptation parameters in vivo, validate bone adaptation models, and predict bone health.
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 | 0,002 |
| 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 ».