Vertebral Bone Segmentation and Detection of Non-Traumatic Vertebral Compression Fractures with CNN from Computed Tomography Images
Notice bibliographique
Résumé
Non-traumatic vertebral compression fractures are increasingly common due to longer life expectancies.Age-related bone mass loss significantly contributes to these fractures.Typically asymptomatic for extended periods, early detection of non-traumatic vertebral compression fractures can reduce associated health issues and enable more effective treatment.Deep learning methods have shown high accuracy and sensitivity in detecting, classifying, diagnosing, and segmenting various pathological conditions in healthcare.Recently, these methods have been applied more frequently in the detection of non-traumatic vertebral compression fractures and vertebral body segmentation research.This study introduces a unique dataset to apply deep learning techniques, using raw computed tomography (CT) images of patients.The dataset was compiled from retrospective CT images taken at Istanbul University-Cerrahpasa, Cerrahpasa Faculty of Medicine, Department of Radiology.It includes 197 individuals, with 100 diagnosed with nontraumatic vertebral compression fractures and 97 without.Radiological diagnoses of nontraumatic vertebral compression fractures were added based on CT reports.The dataset comprises a total of 118,200 cross-sectional images in DICOM format, which were enhanced using the Wiener filter.The U-Net network was used to segment 6,301 vertebrae, achieving a 100% dice overlap index score.Additionally, 593 features of vertebral fractures confirmed by reports were extracted using the radiomics method, and 537 features were selected via the logarithmic lambda method.The convolutional neural network (CNN) classification model was employed, achieving an accuracy of 86.7%.The classification results were evaluated through ROC-AUC, loss, and accuracy graphs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».