CL-GAN: A progressive curriculum learning approach for bone CT super-resolution
Notice bibliographique
Résumé
Cone-beam computed tomography (CBCT) provides rapid, low-dose imaging with large anatomical coverage but lacks the resolution required for detailed bone assessment in rheumatoid arthritis (RA). Enhancing CBCT to match high-resolution peripheral quantitative CT (HR-pQCT) is challenging due to differences in resolution, noise, and artifact profiles, causing standard super-resolution approaches to struggle in training with instability. We propose CL-GAN (curriculum learning generative adversarial network) to train a Cycle-Consistent GAN for CBCT super-resolution. Training is structured into four stages, beginning with paired synthetic mappings and gradually introducing unpaired real CBCT and HR-pQCT images from healthy and RA-affected joints. Each stage progressively increases task difficulty to bridge domain gaps stably. Performance was evaluated using image quality metrics, trabecular bone morphometry, and blinded review by an experienced reviewer. Repeated measures ANOVA and post-hoc paired t-tests assessed significance across stages. Progressive training led to consistent improvements in image quality and trabecular bone metric accuracy, with all gains statistically significant (p<0.001). In blinded review, two reviewers detected all RA erosions while one missed one erosion, and all reviewers reported difficulty distinguishing enhanced CBCT from HR-pQCT. An ablation study showed that skipping curriculum stages impaired image quality, highlighting the importance of gradual domain adaptation. This study demonstrates that curriculum learning enables stable and effective training of a super-resolution algorithm for CBCT images in the context of RA. By enhancing image quality and structural interpretability, the proposed framework increases the amount of relevant information that can be extracted from CBCT, supporting its utility in RA analysis and research.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,004 |
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 ».