Poster — Wed Eve—43: A Maximum Likelihood/ Simulated Annealing‐Based Validation Method for Tumor Segmentation Techniques
Notice bibliographique
Résumé
Introduction: The performance of tumor segmentation methods can only be evaluated by comparison with observers' contours when the true pathologic extent is unknown. All observers' contours contain bias and it is unclear how to best combine segmentations to estimate “truth”. Objective: To develop a method that optimally combines observers' contours to estimate a “true” reference for evaluating tumor segmentation techniques. Methods: A probabilistic “truth” was estimated from multiple observers' segmentations via maximum‐likelihood analysis using the simulated‐annealing (SA) and Expectation‐Maximum optimization algorithms. A qualitative ranking of the performance levels of observers' segmentations, was introduced to steer the method when the relative qualities of input contours are known. The SA‐based method was evaluated first using digital phantoms which were “true” tumors and simulated observers' contours by shifting, shrinking and expanding the “true” tumors. It, secondly, was evaluated using clinical data. The tumor volumes of 12 head and neck cancer (HNC) patients were contoured by three radiation oncologists using CT alone and subsequently, using PET/CT. Results: The SA‐based method exactly determined the “truth” in digital phantom studies. In the clinical study of HNC patients the mean and the range of sensitivity of the SA method were 0.90 and 0.70–0.98, respectively, when compared to a pre‐defined “probabilistic” reference. Conclusions: This work suggests that the SA method can accurately estimate a “truth” to validate image segmentation methods. It also provides a logical means of combining segmentations from different sources, which could potentially improve accuracy of radiation therapy or surgical target localization.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».