Comparison of Spine Segmentation Algorithms on Clinical Data from Spectral CT of Patients with Multiple Myeloma

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00159816%3A_____%2F24%3A00081573" target="_blank" >RIV/00159816:_____/24:00081573 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216305:26220/24:PU149066

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-031-49062-0_34" target="_blank" >http://dx.doi.org/10.1007/978-3-031-49062-0_34</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-49062-0_34" target="_blank" >10.1007/978-3-031-49062-0_34</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Comparison of Spine Segmentation Algorithms on Clinical Data from Spectral CT of Patients with Multiple Myeloma

Popis výsledku v původním jazyce

This article presents an evaluation of spine segmentation models using clinical data obtained from multiple myeloma patients. The performance of the models is compared based on the classical Dice score. The results show that the Payer and nnU-Net models show the highest level of similarity in segmentation. However, when it comes to the challenging task of segmenting cervical vertebrae, the Payer algorithm provides more accurate results. On the other hand, the nnU-Net model achieves better results in cases of extensive vertebral deformation. We also observed that convolutional neural networks have problems in segmenting metal surgical implants. Research highlights the strengths and weaknesses of different models and can help select appropriate segmentation algorithms for specific clinical scenarios.

Název v anglickém jazyce

Comparison of Spine Segmentation Algorithms on Clinical Data from Spectral CT of Patients with Multiple Myeloma

Popis výsledku anglicky

This article presents an evaluation of spine segmentation models using clinical data obtained from multiple myeloma patients. The performance of the models is compared based on the classical Dice score. The results show that the Payer and nnU-Net models show the highest level of similarity in segmentation. However, when it comes to the challenging task of segmenting cervical vertebrae, the Payer algorithm provides more accurate results. On the other hand, the nnU-Net model achieves better results in cases of extensive vertebral deformation. We also observed that convolutional neural networks have problems in segmenting metal surgical implants. Research highlights the strengths and weaknesses of different models and can help select appropriate segmentation algorithms for specific clinical scenarios.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

—

Návaznosti

N - Vyzkumna aktivita podporovana z neverejnych zdroju

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

MEDICON 2023 AND CMBEBIH 2023, VOL 1

ISBN

978-3-031-49061-3

ISSN

1680-0737

e-ISSN

—

Počet stran výsledku

9

Strana od-do

309-317

Název nakladatele

SPRINGER INTERNATIONAL PUBLISHING AG

Místo vydání

CHAM

Místo konání akce

Sarajevo

Datum konání akce

14. 9. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001261436400034