Automatic CNN-based 3D/2D non-rigid registration platform for fast 3D femur reconstruction and clinical 3D measurements from Bi-planar radiographs
Notice bibliographique
Résumé
Purpose This paper presents an automatic 3D/2D non-rigid registration method for fast 3D reconstruction and clinical measurements of the femur. Approach The proposed CNN cascade-based 3D/2D registration platform comprises three major steps to fit a generic 3D femur model into 2D bi-planar EOS® radiographs: 1) Pose estimation ( C N N P o s e ) - a combination of Principal Component Analysis (PCA) and CNN-based 3D/2D similarity registration; 2) 3D shape deformation ( C N N S h a p e ) - a CNN-based 3D displacement estimation of handles followed by Moving Least Square (MLS) shape deformation to extend an as-rigid-as-possible deformation to the entire bone, 3) 3D scale deformation ( C N N S c a l e ) - a CNN-based 3D scale ratio estimation of handles followed by MLS-based model rescaling. Results The accuracy of the method is evaluated in comparison to, first, a clinically proved semi-automatic method on 15 patients, and second, Computerized Tomography CT scans of five new patients. In the first validation, the mean ± standard deviation (STD) of the Root Mean Square of point-to-surface distance (RMS-P2S) error is 0.88 ± 0.29 mm. For the second validation, the mean ± STD of RMS-P2S error is 2.70 ± 0.39 mm. Four clinical measurements of the reconstructed 3D femurs are computed and compared with the first validation set. For each clinical measurement, the Mean Absolute Errors (MAE) is below 1 mm or 1°. Conclusions The presented automatic CNN cascade-based framework efficiently registers the generic 3D femur models into bi-planar radiographs. The CNN-based 3D handles displacement and scale estimation eliminates manual-annotations and user-interventions for MLS deformation while maintaining accuracy and speed. This system is applicable for other bones such as the tibia.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 ».