Shoulder Rotator Cuff Tear Detection from Ultrasound Videos Using Deep Reinforcement Learning
Notice bibliographique
Résumé
Rotator cuff tears (RCT) are common musculoskeletal injuries that significantly impact patient mobility and quality of life. Ultrasound (US) is a real-time, cost-effective tool for diagnosing RCT, offering dynamic assessment through video sweeps. However, these videos are noisy and challenging to interpret, even for experts. They are also often quite long and contain redundant frames which make it more time-consuming for clinicians to identify key diagnostic details. To address this, we developed a novel RCT assessment technique using Deep Reinforcement Learning (DRL)-based video summarization approach, where the RL-agent mimics a human expert by analyzing the full video, selecting diagnostically relevant frames, and then using CNN to classify the frames as intact or torn. The innovative reward mechanism, emphasizing the frame dissimilarity and feature similarity, enhances the RL agent's frame selection process. This reduces computationa complexity and storage requirements and simplifies the downstream classification task by focusing only on the keyframes indicative of RCTs. Experimental results on 100 patients demonstrate that our proposed classification network achieved 85.0% accuracy (90.0% sensitivity, 80.0% specificity) using the RL-generated video summary, outperforming full video classification accuracy of 82.5%, while also reducing the training time by 50% (from 8 hours to 4 hours), highlighting its potential to assist clinicians in more effective diagnosis. The DRL approach developed in this work can be integrated into a low-cost US-AI tool that can reliably identify RCTs, thus improving access to imaging, providing earlier disease diagnosis and enhancing patient care.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».