Organ Proximity Analysis: A Novel Approach to Spleen Localization for Accurate Injury Grading in Abdominal CT Scans
Notice bibliographique
Résumé
Accurate grading of splenic injuries in abdominal CT scans is paramount for diagnosing and treating abdominal trauma. However, automating the segmentation of an injured spleen is a formidable task, given the numerous anomalies like shape, location, texture, and size variations. Deep neural networks often require extensive and expensive annotated datasets to achieve precise spleen segmentation. This paper presents a novel approach that integrates segmentation and localization techniques for spleen analysis. Initially, we segment the spleen using a segmentation model trained on limited normal spleen data. We then employ a localization decision-making process to determine whether the segmented spleen exhibits an out-of-distribution shape and location. If not, we utilize the segmentation map for cropping. In cases where the spleen displays atypical features, we leverage information from nearby organs to accurately locate the spleen. The cropped spleen is then processed through a 3D DenseNet, a deep convolutional network, for spleen classification, categorizing the injuries into normal, low (grades I to III) and high (grades IV & V) grade injuries following the American association for the surgery of trauma injury scoring scale. This innovative approach not only achieves accuracy levels comparable to segmentation-based methods but also reduces dependence on extensive annotated datasets, making it a noteworthy contribution to abdominal trauma diagnosis and treatment. Code https://github.com/hamghalam/Proximity-Analysis.
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 | 0,000 | 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 | 0,000 |
| 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 | 0,000 |
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 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 ».