MétaCan
Menu
Retour à la cohorte
Enregistrement W4362512691 · doi:10.22215/etd/2023-15340

Region-of-Interest Detection for the Neonatal Intensive Care Unit

2023· dissertation· en· W4362512691 sur OpenAlexaff
Daniel G. Kyrollos

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEngineering
ThématiqueRobotics and Sensor-Based Localization
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésNeonatal intensive care unitRegion of interestArtificial intelligenceComputer visionModality (human–computer interaction)Computer scienceModalitiesSign (mathematics)MedicineMathematics

Résumé

récupéré en direct d'OpenAlex

Noncontact monitoring of neonates in the neonatal intensive care unit (NICU) relies on accurate region-of-interest detection (ROI) detection for various downstream tasks, such as vital sign estimation and motion detection. This thesis investigates ROI detection for the NICU under adverse vision conditions, such as complete darkness and full occlusion by blankets, whereas traditional methods, using colour imagery, only consider ideal vision conditions. Pressure and depth imaging were leveraged as alternative imaging modalities since they are not affected by these adverse vision conditions. This thesis develops techniques for multimodal spatial registration between pressure and colour images. This work also establishes the benefit of transfer learning from adult data under different pretraining and fine-tuning strategies. Lastly, this thesis demonstrates that it is possible to estimate full pose from neonates even when the patient is fully occluded, using a combination of pressure and depth imagery.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,804
Score d'incertitude au seuil0,456

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,268
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRobotics and Sensor-Based LocalizationTravaux en français237 207