Predicting rat lumbar vertebral failure patterns as synthetic μCT images using a deep convolutional generative adversarial network
Notice bibliographique
Résumé
This study aims to develop a generative deep learning (DL) model to predict fracture patterns through creation of synthetic 3D μCT images of fractured rat lumbar vertebrae. The proposed model is a 3D conditional generative adversarial network (cGAN). The dataset contained sequential 3D μCT images of rat lumbar vertebrae acquired during axial compressive loading (unloaded, after 1500 μm of displacement, after fracture). Three experiments were run: unloaded input predicting 1500 μm, 1500 μm predicting fracture, and unloaded predicting fracture. The cGAN was trained on 64 μCT images of rat lumbar vertebral motion segments and was validated on 8 images. Quantitative metrics (dice similarity coefficient (DSC), Jaccard index (JAC), Fréchet inception distance (FID), structural similarity index measure (SSIM)) assessed predicted image quality. Qualitative measures investigating fracture location and disease severity (or lack thereof) were also assessed. The unloaded to 1500 μm experiment generated realistic examples of loaded (unfractured) rat vertebrae. These included maintenance of the presence of metastatic disease when relevant and yielded the best quantitative metrics. The 1500 μm to fracture experiment performed significantly better on the FID and SSIM metrics than the unloaded to fracture configuration. The 1500 μm to fracture experiment predicted more true positive fractures and fewer false negative fractures than the unloaded to fracture experiment. Both fracture experiments had a low false positive fracture prediction rate (<10 %). The presented cGAN generates realistic rat lumbar vertebrae failure patterns as 3D μCT images and shows promise for future generative DL applications to model damage behaviour of biological structures.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».