Prediction of postoperative 3D spine shape using Controlled Point Deformation Network (CPDNet)
Notice bibliographique
Résumé
3D pointset deformation controlled by shape properties is still a challenging task in shape modelling. Existing neural networks learn point-wise feature vectors, then predict point displacements to deform 3D shapes. However, these solutions often learn features independently between points, i.e. without considering neighborhood constraints. In this paper, we propose a deep learning architecture named Controlled Point Deformation Network (CPDNet), which exploits shape properties to predict a postoperative spine shape as the outcome of corrective surgery to treat scoliosis. CPDNet learns the rigid transformations between the 3D landmarks of consecutive vertebrae in the spine. Point-wise feature vectors are extracted from the 3D preoperative spine and concatenated with patients’ selected clinical metadata using a fully convolutional network. Then, 3D point-wise displacement vectors are predicted and added to the input points to obtain the postoperative spine shape. Geometric shape loss computes the differences between the 3D geometric coordinates of the predicted and target spine shapes. Rigid transformation loss computes the differences in rotation and translation between consecutive vertebrae, leading the network to learn spinal shape properties. We trained and validated our model on 99 patients who previously underwent posterior spinal fusion surgery. On the test set, our model achieves average errors of 1.5°, 7.6°, and 4.9° for three clinical indices, namely coronal balance and Cobb angles in the sagittal and coronal planes, respectively, outperforming the state-of-the-art P2P-NET model. Our model could serve to develop a surgical planning tool for scoliosis treatment, allowing surgeons and patients to visualize the predicted result of spinal surgery.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».