SU‐E‐T‐274: Evaluation of Atlas‐Based Segmentation Algorithms: VelocityAI vs. MIMvista
Notice bibliographique
Résumé
Purpose: IMRT is driven by volumetric segmentation, thus greater care and accuracy are necessary when contouring structures. The contouring process requires staff experience and ample time. We have evaluated the performance of two commercial atlas‐based segmentation algorithms. Methods: VelocityAI and MIMvista were compared. Twenty‐one IMRT head and neck cases were randomly and retrospectively chosen. These cases included their respective CT scans and physician‐drawn structures. The twenty‐one cases were divided into two sets: one to create the atlas (eleven) and the other to test the atlas on (ten). In MIMvista the atlas was created using the in‐software tool and setting the most representative patient as the template. In VelocityAI the atlas was created using all ten cases to create an average patient atlas. The averaging used on the ten cases for the VelocityAI atlas was created using the STAPLE algorithm (provided by Velocity Medical Solutions).Results: Twelve OARs were compared to physician‐drawn structures using the Dice similarity coefficient (DSC). VelocityAI and MIMvista performed quite well on the brain, brainstem, spinal cord and eyes with mean DSCs ranging between 0.770– 0.947 for VelocityAI and 0.647– 0.978 for MIMvista. Neither program performed too well on the esophagus, larynx, oral cavity, parotids and sphincter muscle with mean DSCs ranging between 0.348– 0.690 for VelocityAI and 0.389–0.709 for MIMvista Conclusions: This work revealed that neither of the software truly outperformed the other. MIMvista did yield slightly better structures, yet the problem is that much modification is required to render the structures valid. VelocityAI and MIMvista both have great potential and can be used to provide a quick draft of structures, which may reduce physician‐contouring time.
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) | 0,001 | 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 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 ».