Expert-guided optimization of ultrasound segmentation models for 3D spine imaging
Notice bibliographique
Résumé
We explored ultrasound for imaging bones, specifically the spine, as a safer and more accessible alternative to conventional X-ray. We aimed to improve how well deep learning segmentation models filter bone signals from ultrasound frames with the goal of using these segmented images for reconstructing the 3-dimensional spine volume.Our dataset consisted of spatially tracked ultrasound scans from 25 patients. Image frames from these scans were also manually annotated to provide training data for image segmentation deep learning. To find the optimal automatic segmentation method, we assessed five different artificial neural network models and their variations by hyperparameter tuning. Our main contribution is a new approach for model selection, employing an Elo rating system to efficiently rank trained models based on their visual performance as assessed by clinical users. This method addresses the challenge of evaluating the practical value of candidate models, selecting directly those most beneficial for future users. This method achieved the best visual rating score by clinician observers, despite not having the highest pixel-based accuracy metric when compared to other model candidates. Interestingly, many models that scored higher in accuracy metrics received a lower visual rating by users, indicating a discrepancy between quantitative metrics traditionally used in deep learning and visual evaluation by users.These findings underscore the importance of selecting segmentation algorithms for clinical relevance over mere pixel-wise accuracy. By integrating visual ranking into the optimization process, we facilitate the selection of the most effective algorithms for clinical applications.
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 | 0,000 | 0,000 |
| 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 ».