Ultrasound Segmentation Using Semi-Supervised Learning: Application in Point-of-Care Sarcopenia Assessment
Notice bibliographique
Résumé
Ultrasound imaging is crucial in medical diagnostics, offering real-time visualization of internal anatomical structures. However, accurate automatic segmentation of ultrasound images remains challenging, particularly in scenarios with limited labeled data. In this paper, we propose a semi-supervised learning approach for ultrasound image segmentation, leveraging the statistics of data in unlabeled images to enhance segmentation accuracy. Our method builds upon the encoder-decoder architecture and incorporates innovative semi-supervised learning techniques based on contrastive learning. We have collected ultrasound images from 80 patients and 34 healthy volunteers, focusing on applications in sarcopenia assessment and emergency response scenarios. We demonstrate the effectiveness of our approach through extensive experiments on expert segmentations in this dataset.Our results demonstrate the superior performance of the proposed method across various training data splits (i.e., 1%, 5%, 10%, 20%, 30%, and 100%). While U-NET performed the best with 100% of the training data (i.e., 154 annotated images), the proposed method achieved comparable performance with only 10% of the data (i.e., 16 annotated images). Furthermore, statistical analysis confirmed that our method significantly outperforms existing models, including U-NET, CCT, and UniMatch, in most scenarios (i.e., training set splits). These findings highlight the robustness and efficiency of the proposed method, especially in environments where labeled data is scarce.
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 | 0,001 | 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 ».