Evaluation of UNeXt for Automatic Bone Surface Segmentation on Ultrasound Imaging in Image-Guided Pediatric Surgery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Automatic bone surface segmentation represents an advanced alternative for conventional patient registration methods in surgical navigation technologies. In pediatrics, such technologies require tailored approaches to ensure optimal performance-specifically in patients under the age of ten, whose immature bones have less distinct bone characteristics. In this study, we developed a segmentation model tailored for pediatric patients. We captured 4309 ultrasound images from the bones in the extremities, pelvis and thorax of 16 pediatric patients. The dataset was manually annotated by a technical physician and sample-wise validated by a pediatric radiologist. A UNeXt deep learning model was trained for automatic segmentation. The segmentation performance was evaluated using the mean centerline Dice score and the mean surface distance. A mean centerline Dice score of 0.85 (SD: 0.13) and a mean surface distance of 0.78 mm (SD: 1.15 mm) were achieved. No important differences in performance were observed for patients younger than the age of ten compared to older patients. Our results demonstrate that the segmentation model detects the bone surface with sufficient accuracy, enabling precise and effective patient registration. The model performs sufficiently across different pediatric age groups, making it a viable tool for integration into ultrasound-based patient registration in image-guided pediatric surgery.
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.
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 | 0,002 | 0,002 |
| 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 découle