MétaCan
Menu
← Retour à la cohorte
Enregistrement W1989351306 · doi:10.1118/1.4740173

Poster — Thur Eve — 65: Optimization of an automatic image contouring system for radiation therapy

2012· article· en· W1989351306 sur OpenAlexaff
T S Hamilton, Ned S. Nedialkov, Marcin Wierzbicki

Notice bibliographique

RevueMedical Physics · 2012
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Radiotherapy Techniques
Établissements canadiensMcMaster University Medical CentreMcMaster University
Organismes subventionnairesnon disponible
Mots-clésContouringComputer scienceImage registrationArtificial intelligenceHead and neckComputer visionSimilarity (geometry)ComputationRange (aeronautics)Set (abstract data type)Sørensen–Dice coefficientImage (mathematics)AlgorithmImage segmentationComputer graphics (images)Medicine

Résumé

récupéré en direct d'OpenAlex

Intensity modulated radiation therapy (IMRT) is an advanced technique used to concentrate the prescribed dose in the tumour while minimizing exposure to healthy tissues. Success in IMRT is greatly dependent upon the localization of the target volume and normal tissue, thus accurate contouring is crucial. In this paper, we describe an automated atlas-based image contouring system and our approach for improving the system by performing a full-scale optimization of registration parameters using high-performance computing. To achieve this, we use manually pre-contoured CT images of ten head and neck patients. For any parameter set, each patient data is registered with the remaining patients. Accuracy of the resulting contours is determined automatically by comparing their overlap with manually defined targets using Dice's similarity coefficient (DSC). This allows us to compare all permutations of the image registration parameter sets and input data to investigate their impact on final contour accuracy. Investigating the parameter space required 27,000 image registrations and 216,000 DSC computations. To perform these registrations we introduced a large cluster of high-performance computers and developed a parallel testing harness. The metrics collected from the tests show a wide range of performance, indicating that parameter selection is crucial in our contouring system. By selecting an optimized parameter set, we increased the mean overlap of the automatically contoured regions of interest by 50% and reduced registration time by 50% compared to the original parameters. Our findings illustrate that full-scale optimization is an effective method for improving the performance of the automated image contouring system.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,010
Tête enseignante GPT0,287
Écart entre enseignants0,277 · 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'étudeExpérimental (laboratoire)
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
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Physics→Même sujetAdvanced Radiotherapy Techniques→Travaux en français237 207→