Multi-task deep learning for segmentation and landmark detection in obstetric sonography
Notice bibliographique
Résumé
The utilization of point-of-care ultrasound (POCUS) has been on rise in recent years, followed by a growing need for comprehensive, compact obstetrics analysis software systems. The accurate computerized assessment of obstetric ultrasound (US) is a challenging task due to the noisy nature of US images and presence of complex anatomies. In this work, we propose a multi-branch deep learning architecture to identify multiple anatomies in obstetric sonography through segmentation and landmark detection. The multi-task deep model is trained to segment the uterus and gestational sac regions, and to localize the position of landmark points denoting the crown and rump of the fetus. We conduct experiments with varying sizes of models, presenting a trade-off between accuracy and efficiency. Our larger models reach average Dice scores of 90% and 91% for segmenting uterus and gestational sac, respectively, and have 1.64 mm average length error for the fetus crown-rump length (CRL) measurement. Furthermore, we present choices for smaller model sizes suitable for integration in portable POCUS devices with limited computing capacities. The smallest model with the most efficient run-time has only about 167.3k parameters, where compared to the larger models, the Dice score is reduced by 4.1% and 6.7% for uterus and gestational sac segmentation, respectively, and the CRL length error is increased by 0.42 mm. This is while the smallest model has 98.8% reduced model size and could smoothly run on naive mobile devices.
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 | 0,000 |
| 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 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 ».