Poster — Thur Eve — 05: Semi‐Automated Segmentation of Lung Tumours on CT Scans Using Level Set Sparse Field Active Model
Notice bibliographique
Résumé
We present a semi‐automated algorithm for segmenting lung tumours on chest computed tomography (CT) images to be utilized for monitoring tumour response or progression. Seven lung tumours were evaluated; each tumour was radially sliced into 10 slices for a total of 70 radial slices, and manually segmented. The manual segmentations were used as the ground truth for evaluating the proposed algorithm. The tumour image on each radial slice was classified into two categories: (1) well‐defined boundaries, located centrally in the lung parenchyma without significant vasculature; and (2) vascularized or juxtapleural (VJ). To segment the well‐defined boundaries, a shape constrained multi‐thresholding technique with one user‐defined seed point on the tumour is applied. For vascularized and juxtapleural tumours, this multi‐thresholding technique provided an initial contour that was deformed by a level set sparse field active model to produce the final segmentation for these tumours. The dice index (DI) measure was adopted to evaluate the segmentation results. The average and standard deviation values of the DI for the well‐defined and VJ images were 96.32 ± 1.12% and 95.19 ± 1.58%, respectively. The DI overall average and standard deviation of the 70 slices was 95.50 ± 1.55%. The preliminary results show that using the proposed algorithm produced accurate results.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».