Video Summarization and Fracture Detection in Pediatric Wrist Ultrasound Using Deep Reinforcement Learning
Notice bibliographique
Résumé
Wrist fractures are common injuries among children, significantly impacting daily activities and contributing to prolonged wait times in emergency departments. Portable ultrasound is a safe, radiation-free, and cost-effective diagnostic tool with real-time imaging capabilities to identify these fractures. Ultrasound (US) videos offer dynamic, detailed views for fracture detection but can be lengthy and redundant, making interpretation time-consuming for clinicians. To address this challenge, we developed a novel video summarization and fracture detection method using Deep Reinforcement Learning (DRL). The DRL agent emulates a human expert by analyzing the entire video, selecting diagnostically relevant frames, and leveraging a CNN to classify these frames as either normal or fractured. The reward mechanism, which prioritizes feature similarity and frame dissimilarity, enhances the agent's ability to identify the keyframes. Anisotropic diffusion is applied to US images to enhance bright bony regions, before feature extraction and representativeness calculation. Frame similarity calculations are parallelized to reduce computational complexity, storage demands and simplify the classification task by focusing solely on frames indicative of fractures. On a dataset of 114 patients, the proposed classification network achieved an accuracy of 88.8% with a sensitivity of 92.5% and a specificity of 86.6% using the RL-generated video summaries. Our primary focus is on enhancing sensitivity to ensure that no fractured cases are missed. This performance surpasses the 84.4% accuracy achieved with full video classification. AI-driven ultrasound, with its efficiency, and reduced computational demands, provides a promising solution for early disease detection in resource-constrained environments.Clinical relevance- This AI-driven fast, cost-effective ultrasound tool achieves high accuracy and sensitivity while reducing training time by 50%, making it suitable for real-time clinical use on low-power devices. This can assist lightly-trained healthcare providers in early disease detection, reduce long wait times, and enhance treatment access in remote areas.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».