Three Different Strategies for Real-Time Prostate Capsule Volume Computation from 3-D End-Fire Transrectal Ultrasound
Notice bibliographique
Résumé
estimation of prostate capsule volume via segmentation of the prostate from 3-D ultrasound volumetric ultrasound images is a valuable clinical tool, especially during biopsy. Normally, a physician traces the boundaries of the prostate manually, but this process is tedious, laborious, and subject to errors. The prostate capsule edge is computed using three different strategies: (a) least square approach, (b) level set approach, and (c) Discrete Dynamic Contour approach. (a) In the least square method, edge points are defined by searching for the optimal edge based on the average signal characteristics. These edge points constitute an initial curve which is later refined; (b) Level set approach. The images are modeled as piece-wise constant, and the energy functional is defined and minimized. This method is also automated; and (c) The Discrete Dynamic Contour (DDC). A trained user selects several points in the first image and an initial contour is obtained by a model based initialization. Based on this initialization condition, the contour is deformed automatically to better fit the image. This method is semi-automatic. The three methods were tested on database consisting of 15 prostate phantom volumes acquired using a Philips ultrasound machine using an end-fire TRUS. The ground truth (GT) is developed by tracing the boundary of prostate on a slice-by-slice basis. The mean volumes using the least square, level set and DDC techniques were 15.84 cc, 15.55 cc and 16.33 cc, respectively. We validated the methods by calculating the volume with GT and we got an average volume of 15.
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 | 0,000 | 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 ».