Deep Learning Approaches for Lumbar Spine MRI Segmentation and Classification
Notice bibliographique
Résumé
Lumbar spine disorders are prevalent conditions that can lead to chronic pain and reduced quality of life, often requiring accurate diagnosis through magnetic resonance imaging.However, manual interpretation of MRI scans is time-intensive and may lead to diagnostic errors due to the complexity of spinal anatomy and subtle differences between healthy and pathological tissues.This study aims to develop an automated method for segmenting and classifying the lumbar spine, including the assessment of lumbar lordosis, using deep learning techniques.In the first stage, spinal segmentation is performed using a combination of image thresholding and a convolutional neural network based on the U-Net architecture, with binary conversion of ground truth images and data augmentation techniques to enhance the dataset.The data is divided into training and testing sets, with 80% allocated for model training.In the second stage, classification of lumbar lordosis is achieved through a method called "Deteclordose" and transfer learning, following the automatic calculation of the Cobb angle.Images are then categorized into three classes: hyper lordosis, hypo lordosis, and normal lordosis.The method was evaluated on a dataset of MRI images obtained from Jordanian hospitals, achieving promising results, including a segmentation accuracy of 99.30%, a loss value of 0.025, a classification accuracy of 96%, a recall of 94%, and an F1 score of 93%.These outcomes demonstrate the potential of the proposed approach to improve diagnostic accuracy and reduce the burden on radiologists by providing a reliable, automated system for analyzing lumbar spine MRI images.
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 | 0,000 | 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 ».