MO‐G‐BRF‐02: Enhancement of Texture‐Based Metastasis Prediction Models Via the Optimization of PET/MRI Acquisition Protocols
Notice bibliographique
Résumé
Purpose: We have previously identified a prediction model of lung metastases at diagnosis of soft‐tissue sarcomas (STS) that is composed of two textural features extracted from FDG‐PET and T1‐weighted (T1w) MRI scans. The goal of this study is to evaluate whether the optimization in FDGPET and MRI acquisition parameters would enhance the prediction performance of texture‐based models. Methods: Ten FDG‐PET and T1w‐ MRI digitized tumor models were generated from imaging data of STS patients who underwent pre‐treatment clinical scans between 2005 and 2011. Five of ten patients eventually developed lung metastases. Numerically simulated MR images were produced using echo times (TE) of 2 and 4 times the nominal clinical parameter (TEc), and repetition times (TR) of 0.5, 0.67, 1.5 and 2 times the nominal clinical parameter (TRc) found in the DICOM headers (TEc range: 9–13 ms, TRc range: 410‐667 ms). PET 2D images were simulated using Monte‐Carlo and were reconstructed using an ordered‐subsets expectation maximization (OSEM) algorithm with 1 to 32 iterations and a post‐reconstruction Gaussian filter of 0, 2, 4 or 6 mm width. For all possible combinations of PET and MRI acquisition parameters, the prediction model was constructed using logistic regression with new coefficients, and its associated prediction performance for lung metastases was evaluated using the area under the ROC curve (AUC). Results: The prediction performance over all simulations yielded AUCs ranging from 0.7 to 1. Notably, TR values below or equal to TRc and higher PET post‐reconstruction filter widths yielded higher prediction performance. The best results were obtained with a combination of 4*TEc, TRc, 30 OSEM iterations and 2mm filter width. Conclusion: This work indicates that texture‐based metastasis prediction models could be improved using optimized choices of FDG‐PET and MRI acquisition protocols. This principle could be generalized to other texture‐based models.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».