Lamina landmark detection in ultrasound images: a preliminary study
Notice bibliographique
Résumé
Freehand (FH) 3D ultrasound (US) imaging is emerging as a promising modality for spine imaging because it is non-invasive and inexpensive. Among the vertebral landmarks that can be used to represent the spine, paired laminae can play a vital role in a transverse scan for 3D spine deformity analysis by providing symmetry information. However, there is currently no laminae landmark recognition algorithm that has been tested on poor-quality 2D US scans. In this study, we propose a deep learning framework to automatically and simultaneously assess the presence of two laminae and estimate their landmark coordinates for the purpose of live US-based assessment of spine shape. To label the training data, we propose a labeling protocol based on a weight distribution on the virtual bone surface to make the pixel representative most likely the closest pixel to the spinal cord. In total, 6 FH 3D US sequences of the spine covering vertebrae T1 to L5 were collected from 3 participants. They were labeled based on the proposed protocol and validated by two spine ultrasound experts. The performance of the deep learning-based lamina landmark detection method was assessed through K-Fold cross-validation, with results reaching a mean distance error of 2.1 ± 1.3(mm) and 1.8 ± 1.2(mm) in true-positive images for left and right lamina landmarks respectively. Our method could allow for live laminae landmark extraction during clinical US spine exams, which would be useful for spinal ultrasound image interpretation, vertebral level identification, and spine deformity analysis in 3D based on paired laminae landmarks projected on three anatomical planes.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».