TU‐G‐211‐03: Automatic Segmentation of Non‐Small Cell Lung Carcinoma Using 3D Texture Features in Co‐Registered FDG PET/CT Images
Notice bibliographique
Résumé
Purpose: To evaluate the usage of a combination of FDG‐PET/CT features to improve automated segmentation of the gross tumor volume (GTV) in the thorax in order to reduce target definition uncertainty in radiotherapy. Methods: Features of co‐registered FDG‐PET/CT images of patients with non small cell lung carcinoma (NSCLC) were investigated using spatial gray‐level dependence matrices, neighborhood gray tone difference matrices, Tamura textures, first order statistics and structural characteristics. A training data set of PET and CT scans from 21 patients diagnosed with NSCLC was used. Feature samples were taken from regions of interest that included GTV, positive nodes and healthy structures found in the thorax. A decision tree incorporating KNN classifiers as nodes was trained to segment GTVs using an exhaustive search for the optimal combination of features by area under the curve (AUC) at each node. A validation set of 10 patients deemed difficult to contour was used and a probabilistic ground truth was derived from a combination of three observer contours using simultaneous truth and performance level estimation (STAPLE).Results: The concordance index of the three observers was found to average 0.370. CT skewness and PET coarseness were found to be the most useful discriminators when evaluated independently with AUCs of 0.705 and 0.972 respectively. Evaluation of the segmentation results using Dice coefficients found the resulting DTKNN outperformed a variety of thresholds including signal‐to‐background ratio and an implementation of the 3‐FLAB algorithm. Dice coefficients for the DTKNN averaged 0.65 and reached as high as 0.84. Conclusions: Incorporation of texture features from both modalities offers an improvement in segmentation accuracy over approaches that utilize each modality independently. The largest source of error was found to be the misregistration of PET to CT volumes and blurring of PET due to internal motion.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».