Deep Learning for Automatic Tracking of Tongue Surface in Real-time\n Ultrasound Videos, Landmarks instead of Contours
Notice bibliographique
Résumé
One usage of medical ultrasound imaging is to visualize and characterize\nhuman tongue shape and motion during a real-time speech to study healthy or\nimpaired speech production. Due to the low-contrast characteristic and noisy\nnature of ultrasound images, it might require expertise for non-expert users to\nrecognize tongue gestures in applications such as visual training of a second\nlanguage. Moreover, quantitative analysis of tongue motion needs the tongue\ndorsum contour to be extracted, tracked, and visualized. Manual tongue contour\nextraction is a cumbersome, subjective, and error-prone task. Furthermore, it\nis not a feasible solution for real-time applications. The growth of deep\nlearning has been vigorously exploited in various computer vision tasks,\nincluding ultrasound tongue contour tracking. In the current methods, the\nprocess of tongue contour extraction comprises two steps of image segmentation\nand post-processing. This paper presents a new novel approach of automatic and\nreal-time tongue contour tracking using deep neural networks. In the proposed\nmethod, instead of the two-step procedure, landmarks of the tongue surface are\ntracked. This novel idea enables researchers in this filed to benefits from\navailable previously annotated databases to achieve high accuracy results. Our\nexperiment disclosed the outstanding performances of the proposed technique in\nterms of generalization, performance, and accuracy.\n
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».