Evaluation of intersession 3D‐TRUS to 3D‐TRUS image registration for repeat prostate biopsies
Notice bibliographique
Résumé
PURPOSE: 3D-TRUS-guided prostate biopsy permits a 3D record of biopsy cores, supporting the planning of targets to resample or avoid during repeat biopsy sessions. Image registration is required in order to map biopsy targets planned on a previous session's 3D-TRUS image into the context of the current session. The authors evaluated the performance of surface- and intensity-based rigid and nonrigid registration algorithms for this task using a clinically motivated success criterion of a maximum 2.5 mm target registration error (TRE). METHODS: The authors collected two 3D-TRUS images for each of 13 patients, where each image was collected in a separate biopsy session, and the sessions were 1 week apart. The authors tested the iterative closest point and thin-plate spline surface-based registration methods, and the block matching and B-spline intensity-based methods. Manually marked intrinsic fiducials (calcifications) were used to calculate a TRE for each of the tested methods. In addition, error ellipsoids, anisotropy, and variability due to image segmentation were analyzed. All analysis was performed separately for the peripheral zone since this area harbors up to 80% of all prostate cancer. RESULTS: Only the intensity-based nonrigid registration method met the success criterion for both the whole gland and the peripheral zone. Segmentation was a substantial contributor to registration error variability for the surface-based methods, and the surface-based methods resulted in greater error volumes and anisotropy. CONCLUSIONS: Intensity-based rigid registration is clinically sufficient to register regions outside the peripheral zone, but nonrigid registration is required in order to register the peripheral zone with clinically needed accuracy. The clinical advantage of using nonrigid registration is questionable since the difference between the RMS TREs for rigid and nonrigid intensity-based registration could be considered to be small (0.3 mm) and is statistically significant. If the added clinical value in performing a nonrigid registration is insufficient given the additional time required for this computation, rigid registration alone may be suitable.
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 | 0,001 |
| 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 ».