Automated segmentation and measurement of the levator hiatus in 3D transperineal ultrasound
Notice bibliographique
Résumé
Three-dimensional (3D) transperineal ultrasound (TPUS) is a valuable imaging tool for evaluating patients with a variety of pelvic floor disorders, including pelvic organ prolapse (POP). Patients with POP have abnormal descent of one or more pelvic organs (i.e., bladder, uterus, vagina) through the levator hiatus, which is often experienced by the patient as a persistent bothersome bulge protruding from the vaginal opening. The enlargement of the hiatal opening measured in the plane of minimal hiatal dimensions (PMHD), has been used as an indication for POP severity. Manually measuring the size of the levator hiatus in 3D TPUS images can be challenging and requires expertise and training and is timeconsuming. Hence a fully automated method for estimating the dimensions of hiatal opening is highly desirable. To this end, we developed a fully automated method to segment the levator hiatus from the PMHD based on the nnU-Net model framework. We trained, validated, and tested on a total of 252 3D US images from 138 patients that may have POP as determined by the pelvic organ prolapse quantification (POP-Q) system. As a benchmark comparison, we compared the nnU-Net to a vanilla U-Net whose hyperparameters were manually tuned. Model performance was determined using Dice similarity coefficient (DSC) and levator hiatus width, length, and area by comparing the model segmentations to manual segmentations. The nnU-Net achieved a DSC of 93.1%±3.3%, absolute width difference of 2.3mm±1.7mm, absolute length difference of 2.6mm±2.5mm and absolute area difference of 1.8cm2±1.3cm2.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».