Post‐implant computed tomography–magnetic resonance prostate image registration using feature line parallelization and normalized mutual information
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Post-implant dosimetry for permanent prostate brachytherapy is typically performed using computed tomography (CT) images, for which the clear visualization of soft tissue structures is problematic. Registration of CT and magnetic resonance (MR) image volumes can improve the definition of all structures of interest (soft tissues, bones, and seeds) in the joint image set. In the present paper, we describe a novel two-stage rigid-body registration algorithm that consists of (1) parallelization of straight lines fit to image features running primarily in the superior-inferior (Z) direction, followed by (2) normalized mutual information registration. The first stage serves to fix rotation angles about the anterior-posterior (Y) and left-right (X) directions, and the second stage determines the remaining Z-axis rotation angle and the X, Y, Z translation values. The new algorithm was applied to CT and 1.5T MR (T2-weighted and balanced fast-field echo sequences) axial image sets for three patients acquired four weeks after prostate brachytherapy using 125I seeds. Image features used for the stage 1 parallelization were seed trains in CT and needle tracks and seed voids in MR. Simulated datasets were also created to further investigate algorithm performance. Clinical image volumes were successfully registered using the two-stage approach to within a root-mean-squares (RMS) distance of <1.5 mm, provided that some pubic bone and anterior rectum were included in the registration volume of interest and that no motion artifact was apparent. This level of accuracy is comparable to that obtained for the same clinical datasets using the Procrustes algorithm. Unlike Procrustes, the new algorithm can be almost fully automated, and hence we conclude that its further development for application in post-implant dosimetry is warranted.
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle