SU‐E‐J‐250: A Machine Learning Approach for Creating Texture‐Preserved MRI Tumor Models From Clinical Sequences
Notice bibliographique
Résumé
Purpose: We hypothesize that MRI texture‐based tumor outcome prediction models could be optimized via numerical simulations of image acquisitions. These simulations require knowledge of T1 and T2 relaxation times as inputs. The goal of this study is to evaluate the feasibility of using machine learning techniques to infer T1 and T2 tumor maps with accurate texture preservation for simulation inputs from clinical sequences. Methods: Clinical T1‐weighted (T1w) and T2‐weighted fat‐saturated (T2FS) scans, and measured T1 and T2 maps from eight patients with soft‐tissue sarcomas were used in this study. Measured T1 and T2 maps were computed using pulse sequences with variable flip angles and echo times, respectively. General regression neural networks (GRNNs) were trained on these data to infer T1 and T2 relaxation times from T1w and T2FS images. Four texture features were extracted to evaluate texture preservation: GLCM/Entropy, GLRLM/Gray‐Level Variance (GLV), GLSZM/Zone Size Variance (ZSV) and NGTDM/Complexity. The GRNN ability to estimate T1 and T2 relaxation times was assessed using leave‐one‐out cross‐validation. Results: The average T1 and T2 relaxation times within the tumor region of all patients were (1515 ± 542) ms and (226 ± 151) ms in the measured cases, and (1546 ± 546) ms and (249 ± 145) ms in the estimated cases, respectively. The average root‐mean‐square errors between measured and estimated relaxation times were 573 ms for T1 and 160 ms for T2. The average absolute percentage differences between measured and estimated GLCM/Entropy, GLRLM/GLV, GLSZM/ZSV and NGTDM/Complexity features were 5.1%, 0.02%, 0.0% and 16.2% for T1 maps, and 7.7%, 0.04%, 0.0% and 10.9% for T2 maps, respectively. Conclusion: From a texture preservation perspective, this work demonstrates the feasibility to create MRI numerical models using GRNNs from T1w and T2FS clinical scans. Further work is required to obtain higher accuracy for T1 and T2 absolute relaxation times. This work was supported by the Natural Sciences and Engineering Research Council (NSERC) of Canada under the scholarship CGSD3‐426742‐2012, as well as it was supported by the Canadian Institutes of Health Research (CIHR) under grant MOP‐136774.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».