MO‐D‐L100J‐03: Generating Patient Specific Motion Models Using a Navigator Channel and a Liver Population FEM Motion Model
Notice bibliographique
Résumé
Purpose: To incorporate motion information from 2D images using a navigator technique and finite element modelling (FEM) to generate patient‐specific 3D motion models. Methods and Materials: A liver population motion model was created using a FEM deformable image registration platform, MORFEUS, to simulate liver deformation during a respiratory cycle. Twenty patient's exhale livers were constructed from the population FEM, and then deformed into their inhale livers. Deformation maps were generated and used to check the accuracy of the navigator‐updated patient models. NavigatorView, an in‐house algorithm, places a rectangular navigator channel to define a region of interest on 2D image slices. An operator chosen navigator is placed on the exhale image while another navigator is automatically placed at the corresponding location on the inhale image. Motion was calculated as the shift required to align the intensity profiles within the channels at the superior dome and the inferior tip of the liver on coronal CT slices and simulated radiograph images. The navigator shifts were used in a weighting equation to generate patient‐specific motion models from the population motion model. Results: The average accuracy ± standard deviation of the navigator channel at the superior and inferior edges is 0.12 ± 0.12cm and 0.25 ± 0.25cm respectively. The navigator‐updated patient‐specific models was 100% and 80% successful of the 20 patient cases for the coronal CT and simulated radiograph slices respectively, where a successful case achieved an accuracy error less than the image voxel size (0.25cm). Conclusions: The navigator technique allows for updating patient‐specific 3D motion models from a liver population model using more easily acquired 2D images. This can be a useful tool for image‐guided therapeutics, such as intra‐fraction image guided tracking during radiotherapy, where 2D data may be more rapidly acquired. Research sponsored by the National Cancer Institute of Canada — Terry Fox Foundation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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) | 0,003 | 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 ».