Identification of Myofascial Trigger Point Using the Combination of Texture Analysis in B-mode Ultrasound with Machine Learning Classifiers
Notice bibliographique
Résumé
Myofascial Pain Syndrome (MPS) is a prevalent chronic pain disorder characterized by myofascial trigger points (MTrPs). Current diagnosis relies on manual detection of MTrPs, which has low inter-rater reliability. This study aims to enhance diagnosis through machine learning (ML) and a combination of texture-features extracted from B-mode ultrasound (B-mode-US) images. Four texture-features were investigated: statistical-features, and their combination with Gabor, local binary (LBP), and SEGL, LBP + gray-level-co-occurrence-matrices + Edge for the classification of MTrPs on the B-mode-US images. B-mode-US images of trapezius muscles (n=90) were examined for MTrPs and healthy muscle. Three methods of LBP, SEGL, and Gabor were separately calculated for each B-mode-US image. Then, the statistical-features (e.g., entropy) were calculated over the B-mode-US images and those three methods. Seven Machine learning (ML) classifiers (e.g., neural network) with the calculated statistical-features were applied to discriminate MTrPs from healthy muscle. Additionally, traditional statistical analysis (i.e., ANOVA) was calculated between statistical-features within each method. The results indicated that the combination of statistical-features effectively discriminated between MTrPs and healthy muscles, based on traditional statistical analysis. However, ML classifiers struggled due to high variation and similar mean values among them. This discrepancy between them prompts further exploration of US texture-based automated ML for MTrPs diagnosis.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».