Sci—Thur AM: YIS ‐ 10: Use of the Microsoft Kinect for applications of patient surface data to radiotherapy
Notice bibliographique
Résumé
Current techniques to acquire patient surface data are often very expensive and lack flexibility. In this study, the use of the Microsoft Kinect to reliably acquire 3D scans of patient surface is investigated. A design is presented to make the system easily applicable to the clinic. Potential applications of the device to radiotherapy are also presented. Scan reproducibility was tested by repeatedly scanning an anthropomorphic phantom. Scan accuracy was tested by comparing Kinect scans to the surface extracted from a CT dataset of a Rando® anthropomorphic phantom, which was considered as the true reference surface. Average signed distances of 0.12 ± 2.34 mm and 0.13 ± 2.04 mm were obtained between the compared surfaces for reproducibility and accuracy respectively. This is conclusive, since it indicates that the variations observed come largely from noise distributed around an average distance close to 0 mm. Moreover, the range of the noise is small enough for the system to reliably capture a patient's surface. A system was also designed using two Kinects used together to acquire 3D surfaces in a quick and stable way that is applicable to the clinic. Finally, applications of the device to radiotherapy are demonstrated. Its use to detect local positioning errors is presented, where small local variations difficult to see with the naked eye are clearly visible. The system was also used to predict collisions using gantry and patient scans and thus ensure the safety of unconventional trajectories.
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 | 0,001 | 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 ».