SU‐D‐BRB‐03: Prediction of Tumor Outcomes Through Wavelet Image Fusion and Texture Analysis of PET/MR Imaging
Notice bibliographique
Résumé
PURPOSE: To investigate the combination of PET/MR image features for the early prediction of tumor metastases to the lungs in soft-tissue sarcoma (STS) cancer. METHODS: A dataset of 24 patients with histologically proven STS was used in this study. All patients underwent pre-treatment FDG-PET and MR scans, which comprised of T1 and T2-fat suppression weighted (T2FS) sequences. The patients had a median follow-up period of 36 months (range: 6-69 months). Eight patients developed metastases to the lungs.Tumors were contoured on the T2FS scans by an expert physician. Fusion of the co-registered FDG-PET/MR scans was performed using a wavelet transform technique. A SUV feature (SUVmax) from the FDG-PET scans and 6 texture features from the co-occurrence matrix of the fused scans were extracted from the tumor region and correlation with the clinical endpoint of metastases to the lungs was investigated. Statistical analysis was performed using Spearman's rank correlation (rs) and multivariable logistic regression. RESULTS: The highest univariate prediction was found on FDG-PET/T2FS fused scans analyzed using the texture features "Sum-Mean" and "Variance". These two fused scan-texture feature combinations reached rs = -0.6838 (p = 0.0003). In comparison, SUVmax reached rs = -0.6257 (p = 0.0011). The highest multivariate prediction was found with the following 3- parameter model: -3.15*SUVmax - 5.37*FDG-PET/T2FS-Sum-Mean + 0.57*FDG-PET/T1-Variance. This model reached rs = 0.7977 (p = 0.000005). CONCLUSIONS: This work indicates the potential of PET/MR texture features of tumors as complementary metrics to existing prognostic factors. Substantial improvement in terms of prediction of metastases to the lungs in STS cancer was found with the combination of texture features from fused FDG-PET/MR scans. Potentially, this could improve patients' outcomes by allowing better adaptation of treatments. Future work will involve evaluation of the robustness of the proposed method and validation on a larger set of patients.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».