Enhanced Spine Segmentation in Scoliosis X-ray Images via U-Net
Notice bibliographique
Résumé
Scoliosis prevalence is witnessing an upward trend, rendering image segmentation an invaluable tool in appraising the condition's severity.The segmentation of spinal images, however, poses notable challenges primarily due to the image quality and the complexity of discerning the Region of Interest (ROI) on X-ray imagery.This difficulty arises from the uniform texture and luminosity of the background, complicating the ROI detection process.Our study investigates the performance of U-Net in image segmentation using anteriorposterior X-ray imagery of spines afflicted with scoliosis.A corpus of 609 high-resolution images was assembled for this purpose, partitioned into 481 training and 128 testing images.Prior to model implementation, a data augmentation process was carried out to bolster the training datasets, mitigating the risk of model overfitting.The augmentation involved mirroring and adding black and white intensity to each image, thereby generating thirteen new images from each original image.This process amplified the size of the training dataset from 481 to 6734 images.Our findings validate the efficacy of the U-Net model in accurately segmenting the spine in X-ray images, demonstrating an accuracy of 97% in training and 94% in validation, with a corresponding loss of 0.063 and validation loss of 0.16.The resultant segmentation is poised to enhance the precision of scoliosis severity assessment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 | 0,002 |
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 ».