MétaCan
Menu
Retour à la cohorte
Enregistrement W2058973101 · doi:10.1118/1.2777005

Fast prostate segmentation in 3D TRUS images based on continuity constraint using an autoregressive model

2007· article· en· W2058973101 sur OpenAlexafffund
Mingyue Ding, Bernard Chiu, Igor Gyacskov, Xiaping Yuan, Maria Drangova, Dónal B. Downey, Aaron Fenster

Notice bibliographique

RevueMedical Physics · 2007
Typearticle
Langueen
DomaineComputer Science
ThématiqueMedical Image Segmentation Techniques
Établissements canadiensWestern UniversityRobarts Clinical Trials
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésSegmentationClockwiseCoronal plane3D ultrasoundComputer scienceImage segmentationAutoregressive modelArtificial intelligenceComputer visionStandard deviationMathematicsAlgorithmUltrasoundRotation (mathematics)MedicinePhysicsAcousticsAnatomyStatistics

Résumé

récupéré en direct d'OpenAlex

In this article a new slice-based 3D prostate segmentation method based on a continuity constraint, implemented as an autoregressive (AR) model is described. In order to decrease the propagated segmentation error produced by the slice-based 3D segmentation method, a continuity constraint was imposed in the prostate segmentation algorithm. A 3D ultrasound image was segmented using the slice-based segmentation method. Then, a cross-sectional profile of the resulting contours was obtained by intersecting the 2D segmented contours with a coronal plane passing through the midpoint of the manually identified rotational axis, which is considered to be the approximate center of the prostate. On the coronal cross-sectional plane, these intersections form a set of radial lines directed from the center of the prostate. The lengths of these radial lines were smoothed using an AR model. Slice-based 3D segmentations were performed in the clockwise and in the anticlockwise directions, where clockwise and anticlockwise are defined with respect to the propagation directions on the coronal view. This resulted in two different segmentations for each 2D slice. For each pair of unmatched segments, in which the distance between the contour generated clockwise and that generated anticlockwise was greater than 4 mm, a method was used to select the optimal contour. Experiments performed using 3D prostate ultrasound images of nine patients demonstrated that the proposed method produced accurate 3D prostate boundaries without manual editing. The average distance between the proposed method and manual segmentation was 1.29 mm. The average intraobserver coefficient of variation (i.e., the standard deviation divided by the average volume) of the boundaries segmented by the proposed method was 1.6%. The average segmentation time of a 352 x 379 x 704 image on a Pentium IV 2.8 GHz PC was 10 s.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,985
Score d'incertitude au seuil0,651

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,330
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetMedical Image Segmentation TechniquesTravaux en français237 207