Sci—Wed PM: Delivery—09: Automatic Contrast Enhancement on Electronic Portal Images Based on Human Visual System Properties
Notice bibliographique
Résumé
Image Guided Radiation Therapy (IGRT) is one of the most efficient ways to treat prostate cancer. It is well‐known that Electronic Portal Images (EPI) acquired prior to the radiation therapy are of poor quality due to the low radiation dose. Several image parameters need to be manually adjusted in order to be able to visualize and localize the fiducial markers (FMs) seeds at the beginning of each day of treatment. This localization process is essential for the proper alignment of the patient. In this paper, we propose a novel technique for automatic image enhancement. There are many challenges involved in the automation of the image enhancement for FM seed detection. An automated enhancement algorithm is image and noise dependant. The level of noise in an input image and global image properties such as average contrast and intensity vary significantly between different patients and even for the same patient between different image acquisition sessions. Moreover, the small size of the targets (the FM seeds) makes it very difficult to distinguish them from noise, and hence to enhance them. Our approach addresses these challenges by using a contrast enhancement scheme based on properties of the human visual system (HVS). The rationale behind considering this approach lies in the ability of the HVS to adapt to detect objects of small size under low contrast and noise conditions. Our main contribution lies in the automatic set‐up of the parameters based upon a maxima search over a contrast metric.
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 | 0,000 |
| 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 | 0,001 | 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 ».