Towards an accurate and robust method based on fuzzy logic principles for the reconstruction and quantification of large volumes from MR and CT images
Notice bibliographique
Résumé
The authors have previously evaluated a new method of volume reconstruction and quantification from MR images, based on fuzzy logic (FL) principles. The technique is evaluated here for larger and more complex structures by investigating its accuracy and robustness using MR and CT images. Four large (50-71 cm(3)) and complex (e.g. mimicking a prostate) structures were created and imaged on MR and CT scanners, both with increasing slice thickness. Contours were delineated to generate 112 volumes. MR and CT images were processed using the FL method and a "classical" method of reconstruction on research software. In addition, the CT images were also processed on commercial virtual simulation software. Calculated volumes were compared with actual volumes. The mean +/- standard deviation of the relative variations in calculated target volume using the FL method was found to be 4.4%+/-2.8%, whereas with the "classical" method it was 23.7%+/-6% from axial MR images and 23.3%+/-9.8% from CT images. With the "classical" method, the relative variations in calculated volumes rise with increasing slice thickness, and the displayed volumes show deformations in the longitudinal direction. With the FL method, the volume calculation is not sensitive to the slice thickness and so the deformations are minimal. When used with MR images, our FL method of volume reconstruction is accurate and robust with respect to changes in slice thickness. For CT images, the results are encouraging but some work is still needed to improve the accuracy of the FL method.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».