3D Segmentation of Cam-Type Pathological Femurs with Morphological Snakes
Notice bibliographique
Résumé
We introduce a new way to accurately segment the 3D femur from pelvic CT scans. The femur is a difficult target for segmentation due to its proximity to the acetabulum, irregular shape and the varying thickness of its hardened outer shell. Atypical bone morphologies, such as the ones present in hips suffering from Femoral Acetabular Impingements (FAIs) can also provide additional challenges to segmentation. We overcome these difficulties by (a) dividing the femur into the femur head and body regions (b) analysis of the femur-head and neighbouring acetabulumâs composition (c) segmentations with two levels of detail â rough and fine contours.\nSegmentations of the CT volume are performed iteratively, on a slice-by-slice basis and contours are extracted using the morphological snake algorithm. Our methodology was designed to require little initialization from the user and to deftly handle the large variation in femur shapes, most notably from deformations attributed to cam-type FAIs. Our efforts are to provide physicians with a new tool that creates patient-specific and high-quality 3D femur models while requiring much less time and effort.\nWe tested our methodology on a database of 20 CT volumes acquired at the Ottawa General Hospital during a study into FAIs. We selected 6 CT scans from the database, for a total of 12 femurs, considering wide inter-patient variations. Of the 6 patients, 4 had unilateral cam-type FAIs, 1 had a bilateral cam-type FAI and the last was from a control group. The femurs segmented with our method achieved an average volume overlap error of 2.71 ± 0.44% and an average symmetric surface distance of 0.28 ± 0.04 mm compared against the same, manually segmented femurs. These results are better than all comparable literature and accurate enough to be used to in the creation of patient-specific 3D models.
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 | 0,001 | 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 ».