Automated Adolescence Scoliosis Detection Using Augmented U-Net With Non-square Kernels
Notice bibliographique
Résumé
Purpose: Scoliosis is a deformity of the spine, and as a measure of scoliosis severity, Cobb angle is fundamental to the diagnosis of deformities that require treatment. Conventional Cobb angle measurement and assessment is usually done manually, which is inherently time-consuming, and associated with high inter- and intra-observer variability. While there exist automatic scoliosis measurement methods, they suffer from insufficient accuracy. In this work, we propose a two-step segmentation-based deep learning architecture to automate Cobb angle measurement for scoliosis assessment using X-Ray images. Methods: The proposed architecture involves two steps. In the first step, we utilize a novel Augmented U-Net architecture to generate segmentations of vertebrae. The second step includes a non-learning-based pipeline to extract landmark coordinates from the segmented vertebrae and filter undesirable landmarks. Results: Our proposed Augmented U-Net architecture achieved a Symmetric Mean Absolute Percentage Error of 9.2%, with approximately 90% of estimations having less than 10 degrees difference compared with the AASCE-MICCAI challenge 2019 dataset ground truths. We further validated the model using an internal dataset and achieved almost the same level of performance. Conclusion: The proposed architecture is robust in providing automated spinal vertebrae segmentations and Cobb angle measurement, and is potentially generalizable to real-world clinical settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».