A Comparative Study of Segmentation Models for the Identification of the Trapezium Bone in X-rays
Notice bibliographique
Résumé
Recent advancements in deep learning have rendered the identification of bones in X-ray images imperative for tasks such as anomaly detection and surgical procedures.However, the presence of overlapping bones, such as the trapezium, has the potential to compromise the efficacy of this identification.Segmenting the trapezium in X-ray images poses a significant challenge due to its overlap with surrounding bones, including the scaphoid and trapezoid.This study explores the use of deep learning techniques to assist surgeons in accurately localizing the trapezium bone in X-ray images of the hand.This can be helpful in surgical procedures such as trapeziometacarpal joint replacement surgery.The efficacy of a set of models (namely SAM, Mobile-SAM and U-Net) was tested by utilizing radiographic images.Furthermore, a hybrid approach integrating object detection and segmentation was developed.Initially, the object detection model YOLOv8 was trained to localize the region of the image containing the trapezium.This model demonstrated a high level of performance in identifying the trapezium.The utilization of the segmentation model, U-Net, resulted in the identification of pixels belonging to the trapezium bone, thereby achieving a Dice score of 94%.This two-step approach underscores the benefits of this algorithm by reducing the computational load while maintaining high performance.
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 | 0,001 |
| 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 ».