A deep learning tool for fully automated measurements of sagittal spinopelvic balance from X‑ray images: performance evaluation
从X射线图像全自动测量矢状位脊柱骨盆平衡的 深度学习工具：性能评估
作者：Robert Korez1 · Michael Putzier2 · Tomaž Vrtovec1
DOI：10.1007/s00586-020-06406-7 年份2020
原文链接、link.springer、
PPT扩展
spinal sagittal balance、
基础知识+单词积累
评估成人脊柱平衡与否1、
基本面sagittal plane矢状面/分左右、coronal plane冠状面/分前后、transverse plane横断面/分上下
spinopelvic脊柱骨盆、the etiopathogenesis of spinal deformities 脊柱畸形发病机理、anatomical解剖的、sacral endplate骶骨终板
骶骨sacrum | 骶骨解剖：骶骨的形态：呈三角形，底朝上，尖朝下，有上、下、前、后、两侧六面。底部宽大，上部为椭圆形,与第5腰椎相接；尖部与尾椎相连。|| 骶骨的结构：骶椎有5节，骶骨前面凹陷，有四对骶前孔，其上缘中份向前隆凸为骶岬，两侧平滑为骶翼。|| 骶骨两侧上部由上3个骶椎横突相愈合成耳廓状的粗糙面，为耳状面，与髂骨相应的关节面构成骶髂qia关节；骶管由骶椎的椎孔连接而成上端与腰以上的椎管相续；下端开口于骶管裂孔，裂孔两侧向下突出的角为骶角。|| 腰椎骶化、腰椎骶化 ||
将选定的X射线图像加载到软件后，围绕每个股骨头的边界绘制一个圆，并将两个圆心之间的直线中点定义为髋轴。然后在骶骨终板的前后角之间画一条线，该线的中点被定义为其中心。最后，用一个点标记C7椎体的中心。
occlusion：遮挡 || 图片中存在不太清晰的地方时，这种情况就是occlusion || Occlusion-边界被遮挡了，识别不到；
ML利用统计插补来处理缺失值：
一个数据集有可能含有缺失值。缺失值是指一行数据中某一项或者多项的数据值没有意义。有可能是值为空，也有可能是用一些特殊的字符或值来表示，例如问号“？”。大部分机器学习算法都要求输入的类型为数值，而且数据集中的每一行每一列都有值的存在。既然如此，缺失值的出现可能会导致机器学习算法产生问题。
像这样，普遍情况是识别出数据集中的缺失值，然后用数值来替代它。这个过程被称为数据插补或数据缺失值插补。 一种简单且流行的数据插补是使用统计方法，对缺失值所在这一列估算出一个值，然后用这个统计方法计算出的统计量来代替这列中的缺失值。 这种方法很简单，因为可以很快计算出统计量，另外这也是很受欢迎的，因为这种方法被证明是非常有效的。
常见的统计量包括：整列的平均值、整列的中位数、整列的众数值、一个常数值
Bland-Altman、连续变量的一致性评价、数据一致性分析
皮尔逊相关系数是用于度量两个变量X和Y之间的 相关 （线性相关），其值介于-1与1之间。
平片 检索目录、如何阅读颈椎病X线平片、
focal loss与交叉熵函数比较：二者都是试图解决样本不平衡带来的模型训练问题，balanced cross entropy从样本分布角度对损失函数添加权重因子，focal loss从样本分类难易程度出发，使loss聚焦于难分样本。|| 为什么有效？相信很多人会在这里有一个疑问，样本难易分类角度怎么能够解决样本非平衡的问题，直觉上来讲样本非平衡造成的问题就是样本数少的类别分类难度较高。因此从样本难易分类角度出发，使得loss聚焦于难分样本，解决了样本少的类别分类准确率不高的问题，当然难分样本不限于样本少的类别，也就是focal loss不仅仅解决了样本非平衡的问题，同样有助于模型的整体性能提高。 要想使模型训练过程中聚焦难分类样本，仅仅使得Loss倾向于难分类样本还不够，因为训练过程中模型参数更新取决于Loss的梯度。 如果Loss中难分类样本权重较高，但是难分类样本的Loss的梯度为0，难分类样本不会影响模型学习过程。|| 难分类样本与易分类样本其实是一个动态概念，也就是说Pt会随着训练过程而变化。原先易分类样本即Pt大的样本，可能随着训练过程变化为难训练样本即Pt小的样本。||
上面讲到，由于Loss梯度中，难训练样本起主导作用，即参数的变化主要是朝着优化难训练样本的方向改变。当参数变化后，可能会使原先易训练的样本Pt发生变化，即可能变为难训练样本。当这种情况发生时，可能会造成模型收敛速度慢，正如苏剑林在他的文章中提到的那样。 || 为了防止难易样本的频繁变化，应当选取小的学习率。防止学习率过大，造成w变化较大从而引起Pt的巨大变化，造成难易样本的改变。|| focal loss论文详解 || 简述★
I.e.和e.g.都是拉丁语缩写，i.e.代表id est，意为“也就是说，即”（that is），e.g.代表exempli gratia，意思是“举个例子”（for example）
髋关节假体
null hypothesis：在统计学中，零假设（虚无假设）是做统计检验时的一类假设。零假设的内容一般是希望证明其错误的假设。比如说，在相关性检验中，一般会取“两者之间没有关联”作为零假设，而在独立性检验中，一般会取“两者之间有关联”作为零假设。与零假设相对的是备择假设（对立假设），即不希望看到的另一种可能。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/35235.html