A CNN-based strategy to automate contour detection of the hip and proximal femur using DXA hip images from longitudinal databases (CLSA and CaMos)
Notice bibliographique
Résumé
Hip fractures contribute significantly to mortality in older adults. New methods to identify those at risk use dual-energy X-ray absorptiometry (DXA) images and advanced image processing. However, DXA images have an overlapping femur and pelvis and may contain boundary lines, making automation challenging. Herein, a 5-layer U-net convolutional neural network (CNN) was developed to segment the femur from hip DXA images. Images were used from the Canadian Longitudinal Study on Aging (CLSA, N=104) and Canadian Multicentre Osteoporosis Study (CaMos, N=105) databases for training, with manual contour drawing defining the ‘true output’ of each image. An algorithm was then developed to mask each hip image, and trained to predict subsequent masks. The CNN was tested with 44 additional CLSA images and 42 CaMos images. This proposed approach had an accuracy and intersection over union (IoU) of 97% and 0.57, and 93% and 0.51, for CaMos and CLSA scans, respectively. Furthermore, a series of augmentation techniques was applied to increase the data size, with accuracies of 96% and 94%, and IoU of 0.53 and 0.50. Overall, our strategy automatically determined the contour of the proximal femur using various clinical DXA images, a key step to automate fracture risk assessment in clinical practice.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».