Semi-automatic segmentation of major aorto-pulmonary collateral arteries (MAPCAs) for image guided procedures
Notice bibliographique
Résumé
Manual segmentation of pre-operative volumetric dataset is generally time consuming and results are subject to large inter-user variabilities. Level-set methods have been proposed to improve segmentation consistency by finding interactively the segmentation boundaries with respect to some priors. However, in thin and elongated structures, such as major aorto-pulmonary collateral arteries (MAPCAs), edge-based level set methods might be subject to flooding whereas region-based level set methods may not be selective enough. The main contribution of this work is to propose a novel expert-guided technique for the segmentation of the aorta and of the attached MAPCAs that is resilient to flooding while keeping the localization properties of an edge-based level set method. In practice, a two stages approach is used. First, the aorta is delineated by using manually inserted seed points at key locations and an automatic segmentation algorithm. The latter includes an intensity likelihood term that prevents leakage of the contour in regions of weak image gradients. Second, the origins of the MAPCAs are identified by using another set of seed points, then the MAPCAs' segmentation boundaries are evolved while being constrained by the aorta segmentation. This prevents the aorta to interfere with the segmentation of the MAPCAs. Our preliminary results are promising and constitute an indication that an accurate segmentation of the aorta and MAPCAs can be obtained with reasonable amount of effort.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».