Deep learning for synovial volume segmentation of the first carpometacarpal joint in osteoarthritis patients
Notice bibliographique
Résumé
Objective: The objective of this study was to develop a deep-learning-based approach to automatically segment 3D ultrasound images of the synovial tissue in osteoarthritis of the first carpometacarpal (CMC1 OA). Design: Deep learning predictions on 2D ultrasound slices sampled in the transverse plane were used to view the synovial tissue of the first carpometacarpal in patients with OA, followed by reconstruction into 3D surfaces. A modified 2D U-Net was trained using a dataset of 832 2D US images resliced from 89 3D US images. Segmentation accuracy was evaluated using a testing dataset of 208 2D US images resliced from 15 3D US images. Absolute and signed performance metrics were computed, and segmentation performance was compared between the manual segmentations of raters 1 and 2. Results: Results of the U-Net-based run were mean 3D DSC 86.9 ± 4.8%, recall 93.7 ± 3.6%, precision 81.1 ± 6.9%, volume percent difference 16.9 ± 10.2%, mean surface distance 0.18 ± 0.04 mm, and Hausdorff distance 1.8 ± 0.8 mm. The algorithm demonstrated an overall increase in performance after 3D segmentation reconstruction compared to 2D predictions, but the difference was not statistically significant. Conclusion: This study investigated the use of a modified U-Net algorithm to automatically segment the synovial tissue volume (STV) of CMC1 OA patients and demonstrated that the addition of this deep learning method increases the efficiency of STV estimations in clinical trial settings.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».