Depth Encoding for Neonatal Patient Segmentation
Notice bibliographique
Résumé
Patient segmentation is an important step in neonatal monitoring for subsequent applications including vital sign monitoring, jaundice detection, or clonic seizure detection. Many studies have faced difficulty in obtaining clear delineation between the patient and the background, instead settling for segmentation of specific body parts, segmentation of visible skin only, or manual selection of regions of interest. The outline of the full body, however, provides a more holistic detection of the entire patient which can be useful for various applications. This study investigates whole-body semantic segmentation of patients under varying levels of coverage (unclothed, clothed, and partially covered with blankets), in complex scenes from the neonatal intensive care unit, from patients placed across all bed types (crib, incubator, and overhead warmer), and in different subject poses (supine, prone, and fetal position). To improve the patient-background delineation, several depth encoding and RGB-D fusion techniques are investigated with a Mask R-CNN model. This study demonstrates how depth information can effectively enhance the RGB image for neonatal patient segmentation, especially when the delineation is unclear due to patient coverage. While RGB images provided suitable predictions for optimal “clear” contours, RGB-D fusion images were required to achieve accurate patient segmentation in challenging “unclear” contours with over 71% IOU and over 82% Dice metrics.
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 | 0,001 | 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 ».