Evaluation of Resolution-Aware Training Strategies for Deep Learning Detection of Calcaneus Fractures on X-Ray
Notice bibliographique
Résumé
Abstract Background Calcaneus fractures are challenging to identify on radiographs because diagnostically relevant features are subtle and affected by image resolution. Although convolutional neural networks (CNN) have shown strong fracture detection performance, CNN training strategies robust to different image resolutions remain insufficiently characterized. Methods This retrospective study included foot radiographs from a hospital between 2015 and 2022, comprising 1,775 x-ray series (551 fractures; 1,224 without), split into training (70%), validation (15%), and testing (15%). ImageNet pre-trained ResNet models were fine-tuned on the dataset. Three training strategies were evaluated: (1) single-size training on 128×128, 256×256, 512×512, 640×640, or 900×900 radiographs (five model sets); (2) curriculum learning, sequentially trained from 128×128 to 900×900 (five model sets); and (3) multi-scale augmentation, trained on images continuously resized between 128×128 and 900×900 (one model set). Training and inference times were compared. Results Multi-scale augmentation achieved the highest average area under the receiver operating characteristic curve (0.938; 95% CI: 0.936–0.939) across image resolutions without increased training or inference time. Curriculum learning demonstrated the highest sensitivity for in-distribution low-resolution images (85.4%–90.1%) and out-of-distribution high-resolution images (78.2%–89.2%) but required significantly longer training times (11.8 [IQR: 11.1–16.4] hours; P <.001). Conclusions While 512×512 images performed well for fracture detection, curriculum learning and multi-scale augmentation improved robustness across image resolutions without additional annotations. Summary statement Different deep learning training strategies affect performance in detecting calcaneus fractures on radiographs across in- and out-of-distribution image resolutions, with a multi-scale augmentation strategy conferring the greatest overall performance improvement in a single model. Key points Training strategies addressing differences in radiograph image resolution (or pixel dimensions) could improve deep learning performance. The highest average performance across different image resolutions in a single model was achieved by multi-scale augmentation, where the sampled training dataset is uniformly resized between square resolutions of 128×128 to 900×900. Compared to model training on a single image resolution, sequentially training on increasingly higher resolution images up to 900×900 (i.e., curriculum learning) resulted in higher fracture detection performance on images resolutions between 128×128 and 2048×2048.
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 | 0,001 | 0,001 |
| 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 ».