Automated Wrist Ultrasound Image Bone Enhancement and Segmentation Using Deep Learning
Notice bibliographique
Résumé
Wrist fractures are among the most common upper limb injuries in children and are currently examined by X-rays. Ultrasound imaging offers a radiation-free alternative that can be used for a fast and effective evaluation by assessing the severity of suspected fractures before further referral to X-rays. This project proposes a segmentation framework based on the nnU-Net model to segment bony structures such as the epiphysis and metaphysis commonly seen in wrist ultrasound images. As a preprocessing step, we use an image enhancement technique such as Contrast-Limited Adaptive Histogram Equalization (CLAHE) and report the accuracy of segmentation with and without preprocessing.Experiments were conducted on 16,865 training and 3,822 testing ultrasound images from 74 and 18 subjects, respectively. The results show that training and testing on CLAHE-enhanced images improves segmentation performance, achieving a DICE score of 0.874 compared to 0.872 without pre-processing.Clinical relevance-This study shows the feasibility of using automatic segmentation of wrist ultrasound images acquired by lightly trained users in a pediatric emergency setting. It combines CLAHE-based image enhancement with semantic segmentation using the nnUNet-inspired model to segment the epiphysis, metaphysis, and carpal bone from wrist ultrasound images. In an emergency care setting, this approach could be integrated into an effective triage tool to assess the severity of pediatric wrist injuries and reduce the need for x-ray examination in cases with no fractures.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».