C-Arm Positionsbestimmung aus einem Röntgenbild mittels Deep Learning
Bibliographic record
Abstract
Fragestellung: Viele chirurgische Eingriffe in der Unfallchirurgie und Orthopädie werden Fluoroskopie-gesteuert durchgeführt. Die Darstellung der anatomischen Leitstrukturen ist jedoch häufig ein zeit- und strahlenintensiver Faktor. Ausgehend von einem primären Röntgenbild wird sich dem angestrebten Strahlenfenster durch wiederholtes Röntgen angenähert. Zur Optimierung dieses Vorgangs ist eine Positionsbestimmung des C-Bogens zum Patienten-CT von Bedeutung, wonach die kommenden Bilder mittels Tracking dessen vorhergesagt werden können. Feature-Erkennung mittels Deep Learning ist in den letzten Jahren deutlich optimiert worden. Somit ist das Primärziel unserer Studie, die Positionsbestimmung hiermit zu erlangen. Außerdem soll dieser Vorgang auch zeitlich optimiert werden, da dies in der Akutbehandlung ein weiterer Faktor ist. Methodik: Ein Convolutional Neuronal Network (CNN) wird mittels Digitally Reconstructed Radiographs (DRR) aus einem Patienten-CT trainiert. Die DRR Bilder werden aus verschiedenen Positionen mit sechs Freiheitsgraden erstellt, welche als Label für das CNN genutzt werden. Es wird die laterale Aufnahmen für eine Perkutane Iliosakrale S1-Verschraubung als Neutralposition verwendet. Folgendes Koordinatensystem und Bewegungsfreiheiten werden definiert: X-Achse: kranial nach kaudal; Translation ±50mm, Rotation ±22,5° Y-Achse: dorsal nach ventral; Translation ±50mm, Rotation ±22,5° Z-Achse: lateral nach medial; Translation ±200mm, Rotation ±45° Zunächst wird mittels 30016 synthetischen Röntgenbildern ein CNN Basismodel festgelegt. Hierbei werden alle Layer der folgende Architekturen für 15 Stunden trainiert (GPU 10GB, CPU 8x2.1Ghz): InceptionV3, MobileNetV2, NASNetMobile, ResNet50V2, VGG19. Als kombinierende Metrik wurde folgende eingeführt: Metrik = Translationsfehler (mm) + Rotationsfehler (rad) * 100 Anschließend wird das CNN mit dem besten Ergebnis mit zunehmender Anzahl an Bildern trainiert, um Genauigkeit und Trainingszeit zu korrelieren. Ergebnisse und Schlussfolgerung: Es konnte gezeigt werden, dass ResNet50 für diese Regressions-Aufgabe am besten geeignet scheint (CNN: Metrik): Inception: 19.81 MobileNet: 11.97 NASNetMobile: 25.39 ResNet50: 10.21 VGG19: 14.98 Zudem ist, wie in Abbildung 1 zu sehen, die visuelle Genauigkeit mit schon sehr wenigen Bildern sehr gut, steigt aber bei einer zunehmenden Anzahl. Hierbei erhöht sich die Trainings- und Bildgenerierungszeit jedoch drastisch, wie folgende Auflistung zeigt: 1024: 00:12:47h 3008: 01:05:01h 10048: 01:15:30h 30016: 03:27:12h 100032: 17:42:16h Wir konnten zeigen, dass die Positionsbestimmung eines C-Arms zum Patienten-CT mittels Deep Learning anhand eines Röntgenbildes möglich ist. Die Genauigkeit erhöht sich jedoch bei zunehmender Bildanzahl, was jedoch auch die Trainingszeit drastisch verlängert. Stichwörter: Fluoroskopie, Navigation, Deep Learning, CNN, Künstliche Intelligenz Publication History Article published online: 15 October 2020 © 2020. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".