Evaluation of Segmentation Quality in Magnetic Resonance Images Using Singular Value Decomposition: A Feasibility Study
Notice bibliographique
Résumé
In the present research work, the use of Singular Value Decomposition is investigated as part of an evaluation metric for the segmentation quality of regions of interest in magnetic resonance imaging used in an experiment of High-Intensity Focused Ultrasound therapy. Accurate segmentation is essential for clinical and research applications in computer vision. However, current evaluation methods have limitations in sensitivity to the shape of segmented objects, highlighting the need for a quantitative shape-sensitive metric. SVD is a promising tool for assessing segmentation similarity to ground truths in therapy planning images through component comparison. The proposed$S_{F}$metric shows strong positive correlations with Global Consistency Error scores across transverse and sagittal images. In the air region, correlations range from 0.66 (transverse) to 0.75 (sagittal), in the gel-pad from 0.72 to 0.91, in tissue from 0.87 to 0.91, in the transducer from 0.78 to 0.91, and in water from 0.93 to 0.94, indicating that SFcan capture structural similarities and segmentation consistency as GCE evaluates alignment with the ground truth, focusing on boundary accuracy and region continuity. The findings suggest that this tool could enhance sensitivity to object shapes in medical image analysis, improving segmentation quality assessments, clinical diagnostics, and treatment planning.
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 | 0,009 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».