MétaCan
Menu
← Retour à la cohorte
Enregistrement W1967789417 · doi:10.1118/1.3244150

Poster — Wed Eve—46: Quantitative Evaluation on the Accuracy of Image Registration Methods in SPECT Guided Radiation Therapy for Lung Cancer Patients

2009· article· en· W1967789417 sur OpenAlexaff
Lingshu Yin, Lisa Tang, Ghassan Hamarneh, Vitali Moiseenko, A. Ćeller, Sergey Shcherbinin, T‐F Fua, Anna Thompson, M Liu, Cheryl Duzenli, B.S. Gill, Finbar Sheehan, John Powe, Daniel F. Worsley

Notice bibliographique

RevueMedical Physics · 2009
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensVancouver General HospitalSimon Fraser UniversityUniversity of British ColumbiaBC Cancer Agency
Organismes subventionnairesnon disponible
Mots-clésImage registrationNuclear medicineSingle-photon emission computed tomographyArtificial intelligenceMedical imagingRadiation treatment planningComputer scienceMedicineComputer visionRadiation therapyRadiologyImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

Purpose: To quantitatively evaluate the accuracy of several SPECT/CT image registration methods in recent studies and its impact on the functional lung volume segmentation in SPECT guided radiation therapy (RT) treatment planning. Methods and Materials: Five lung cancer patients were consented to have a perfusion SPECT scan with 99mTc‐macroaggregated albumin. During the scan, a low resolution CT image was acquired using the SPECT/CT scanner. This CT scan was co‐registered to the patient's planning CT scan through four rigid and deformable image registration programs (rigid registration, skin/lung control points based registration and B‐spline deformable registration). After the CT to CT co‐registration, original SPECT reconstructions were warped and co‐registered to the planning CT scan. The functional lung volumes were segmented from each deformed SPECT using 10, 20, …, 90% of maximum pixel value as a threshold. The differences in the size and contours of each functional volume were calculated. Results: Based on the evaluation of registered CT images, the result from B‐spline registration demonstrated the smallest intensity difference. Using the warped SPECT images obtained from this registration method as a reference, the smallest difference in the size and contour of functional volumes was found using rigid registration. In the point‐based registrations, a better result was found when the control points were placed on lung volume instead of body contour. Conclusion: Apply B‐spline based image registration method in SPECT‐guided RT studies was shown to be accurate. Point‐based image registration using skin markers with a standalone SPECT scanner was found least accurate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,479
Écart entre enseignants0,422 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Physics→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→