Deep Learning for Detecting Supraspinatus Calcific Tendinopathy on Ultrasound Images
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
Background: The aim of the study was to evaluate the feasibility of convolutional neural network (CNN)-based deep learning (DL) algorithms to dichotomize shoulder ultrasound (US) images with or without supraspinatus calcific tendinopathy (SSCT). Methods: This was a retrospective study pertaining to US examinations that had been performed by 18 physiatrists with 3-20 years of experience. 133,619 US images from 7836 consecutive patients who had undergone shoulder US examinations between January 2017 and June 2019 were collected. Only images with longitudinal or transverse views of supraspinatus tendons (SSTs) were included. During the labeling process, two physiatrists with 6-and 10-year experience in musculoskeletal US independently classified the images as with or without SSCT. DenseNet-121, a pre-trained model in CNN, was used to develop a computer-aided system to identify US images of SSTs with and without calcifications. Testing accuracy, sensitivity, and specificity calculated from the confusion matrix was used to evaluate the models. Results: A total of 2462 images were used for developing the DL algorithm. The longitudinal-transverse model developed with a CNN-based DL algorithm was better for the diagnosis of SSCT when compared with the longitudinal and transverse models (accuracy: 91.32%, sensitivity: 87.89%, and specificity: 94.74%). Conclusion: The developed DL model as a computer-aided system can assist physicians in diagnosing SSCT during the US examination.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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