Enhancing Nipple Positioning Accuracy in Chest Reconstruction Surgery: An Automated Machine Learning Approach
Notice bibliographique
Résumé
Accurate placement of the Nipple-Areola Complex (NAC) is critical for the aesthetic success of chest reconstruction surgery. Traditional methods rely on the surgeon's experience and subjective judgment, presenting a need for a more objective and reliable approach. This study introduces a machine learning solution to estimate the NAC position on a male chest wall. In this study, we feed a dataset composed of 102 images of 34 male subjects of different ages and body types into an open-source pose estimation algorithm to detect upper body key points that are common to both biological sexes such as shoulders and elbows. A selected subset of those key points is then used to form a normalized feature set which was fed into six regression models; Decision Tree Regressor, Random Forest Regressor, CatBoost Regressor, Multilayer Perceptron Regressor, Linear Regressor, and Support Vector Regressor to predict the NAC position. The lowest mean absolute percentage error(MAPE) between the real and predicted normalized body ratios (0.69%) was achieved with Linear Regression. Subsequently, the chosen model was used to predict the positions of both nipples. A tilt-correction mechanism was introduced to improve accuracy when patient posture was misaligned. Without tilt correction, the MAPE for right and left NAC positions was 1.2% and 0.99%, respectively, which was reduced to 0.75% and 0.63% after correction. Our results suggest that machine learning can be used to assist surgeons performing chest reconstruction surgeries.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».