Ultrasound for Automated Classification of Full-Thickness Rotator Cuff Tendon Tears using Deep Learning
Notice bibliographique
Résumé
Rotator cuff tendon tears, the most common shoulder injuries, are typically diagnosed mainly through MRI, but can also be seen on ultrasound (US), a much less costly test that currently requires highly-trained human expert operators. An AI tool to identify full-thickness rotator cuff tears in US could make this test much more accessible in clinical practice. We propose a two-step approach starting with segmentation and followed by classification. Automatic segmentation of US scans is challenging due to speckle noise and low contrast. We utilized a CNN-autoencoder that predicts boundary contour points of humeral cortex and subacromial bursa directly from raw US images rather than the popular pixel-wise semantic segmentation. Then both the original US image and the corresponding segmentation mask are passed to a classification network (VGG-16) to determine whether tendons are torn or intact. This novel approach only passes the key portions of the scan (in which any tears are most visible) to the classification network, maximizing detection accuracy and clinical relevance. We evaluated this approach on data prospectively acquired from 210 patients, training with 11,600 images and testing with 2900 images. We had an average segmentation Dice coefficient (DC) of 95.3% and Hausdorff Distance (HD) of 2.9 mm, outperforming a U-Net model (DC=90.5%, HD=6.8 mm). The classification network, VGG-16, achieved 85.2% accuracy (sensitivity 84.2%, specificity 83.3%) in classifying supraspinatus tendons as intact or torn from US images. Results indicate that our AI-driven US evaluation pipeline has the potential to enable less-experienced ultrasound users to detect rotator cuff tears with high accuracy and explainability. This can allow more healthcare professionals to conduct scans, improving timely patient access to imaging and streamlining treatment decisions.
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) | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».