TH‐A‐220‐04: MVCT Noise Reduction and Feature Enhancement for Target Delineation
Notice bibliographique
Résumé
Purpose: To investigate the denoising and feature enhancement of the TomoTherapy® MVCT image. The improvement on the target delineation was evaluated by the contrast to noise ratio (CNR) and by comparison of contouring on original and enhanced images. Methods: A texture enhancing anisotropic diffusion approach different from conventional method was implemented. Parameters may be tweaked to achieve the best performance. Over 300 daily MVCT images from 7 head and neck patients were used for the CNR improvement evaluation. The images were segmented into air, fat, muscle, bone and the contrast between muscle and fat was used for CNR calculation. Five physicians contoured the gross tumour volume (GTV) for three head and neck cancer patients on 34 original and enhanced MVCT images. Variation between the targets outlined using original and enhance MVCT studies was quantified by DICE coefficient and the coefficient of variance. Results: The CNR improved almost three times (from 3.5–5.5 to 10–17) while the sharp muscle‐fat boundary was preserved. Based on volume of agreement between physicians, higher correlation was observed in GTV delineation for enhanced MVCT for patients 1, 2 and 3 by 15%, 3%, and 7%, respectively, while delineation variance among physicians wasreduced using enhanced MVCT for 12 of 17 weekly image studies. Conclusions: The texture enhancing anisotropic diffusion performs well inreducing MVCT noise while enhancing image features. The improvement of the TomoTherapy® MVCT image CNR helps in target delineation.
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 | 0,001 | 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) | 0,002 | 0,001 |
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 ».