Automated Detection of Shoulder Rotator Cuff Tendon Tears from Ultrasound Images by CNN-Autoencoder
Notice bibliographique
Résumé
Ultrasound can effectively diagnose rotator cuff muscle tears in the shoulder, one of the most common musculoskeletal injuries. Expertise in performing and interpreting these scans is limited, and in some jurisdictions, it involves months-long wait times. This project aims to provide the core AI process for the assessment of shoulder injuries; specifically identifying full-thickness rotator cuff tears within minutes, rather than months. We propose a two-step approach starting with segmentation of the humeral cortex and subacromial bursa followed by the classification of tears based on these regions. Automatic segmentation using ultrasound is challenging due to speckle noise, low contrast, and artifacts. The proposed segmentation method leverages a CNN-autoencoder, that predicts the boundary contour points of the humeral cortex and subacromial bursa directly from raw images. Compared to an end-to-end black box classifier, our two-stage approach is more explainable and focuses on clinically relevant landmarks. The distinctive feature of this segmentation technique is, it predicts the segmentation contour points rather than the popular pixel-wise semantic segmentation. The study was performed on the dataset acquired from 206 patients. All the methods were trained using 10,080 images and evaluated using 2520 images. Our proposed segmentation method achieved an average Dice coefficient (DC) of 94.2% and a Hausdorff Distance (HD) of 2.8 mm, outperforming the U-Net model, which yielded 90.5% for the DC and 6.8 mm for the HD. After the segmentation, a classification network, VGG-16 achieved 81.0% accuracy (sensitivity 78.5%, specificity 76.2%) in classifying rotator cuff tendons as intact or torn from US images. AI-driven ultrasound for rotator cuff tear detection enhances early, accurate diagnosis and improves patient care, and this automated tool could be used by lightly trained users at initial point-of-care facilities like family physician clinics and emergency rooms.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».