Automated endometrial segmentation, thickness measurement and pattern prediction on uterine ultrasound images
Notice bibliographique
Résumé
To develop an AI-based model for automated identification, thickness measurement, and pattern classification of endometrial tissues in uterine ultrasound images. We utilized a multi-stage model building and training approach with different methods for segmentation, thickness measurement, and pattern assignment. 5985 unique annotated ultrasound images were utilized in model training and validation. The annotated images were randomly divided into three groups (training data, validation data, and test data) at a 70%/10%/20% ratio. 4787 images were used to develop the model; 1198 images were used to evaluate performance. Identification of the endometrium was done utilizing direct object detection and instance segmentation systems with single stage object detectors (YOLO v8). A principal component analysis approach was adapted to determine endometrial thickness. We also trained computational models to assign an endometrial pattern of either ‘trilaminar’ or ‘homogenous’. Intersection over union (IoU), confusion matrices, and error calculations were conducted to assess the model’s proficiency and accuracy. The endometrial segmentation model performed at 98% accuracy on the confusion matrix and 92.8% of test data had an intersection over union (IoU) value > 0.75. The endometrial thickness measurement achieved mean absolute error rates of: ± 0.89 mm in length, ± 2.81 mm in position (along the perpendicular-to-lumen axis), and 5.5-degrees in orientation relative to the lumen. Automatic assignment of pattern as either ‘trilaminar’ or ‘homogenous’ achieved a 92% accuracy rate. A novel automated method for routine endometrial thickness and pattern assessment is demonstrated. We report a first-of-its kind method for automated endometrial pattern assignment (homogenous / triple-line) on uterine ultrasound images.
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 | 0,000 |
| 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 ».