Estimation of Lung's Air Volume and Its Variations Throughout Respiratory CT Image Sequences
Notice bibliographique
Résumé
A respiratory image-sequence-segmentation technique is introduced based on a novel image-sequence analysis. The proposed technique is capable of segmenting the lung's air and its soft tissues followed by estimating the lung's air volume and its variations throughout the image sequence. Accurate estimation of these two parameters is very important in many applications related to lung disease diagnosis and treatment systems (e.g., brachytherapy), where the parameters are either the variables of interest themselves or are dependent/independent variables. The concept of the proposed technique involves using the image sequence's combined histogram to obtain a reasonable initial guess for the lung's air segmentation thresholds. This is followed by an optimization process to find the optimum threshold values that best satisfy the lung's air mass conservation and tissue incompressibility principles. These threshold values are consequently applied to estimate the lung's air volume and its variations throughout respiratory Computed Tomography (CT) image sequences. Ex vivo experiments were conducted on porcine left lungs in order to demonstrate the performance of the proposed technique. The proposed method was initially validated using a breath-hold CT image sequence with known air volumes inside the lung, where results show that the proposed technique outperforms single-histogram-based methods. This was followed by demonstrating the proposed technique's application in a 4-D-CT respiratory sequence, where the air volume inside the lung was unknown. Consistency of the obtained results in the latter experiment with tissue near incompressibility principle was validated. The results indicate a very good ability of the proposed method for estimating the lung's air volume and its variations in a respiratory image sequence.
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 | 0,000 | 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 | 0,000 | 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 ».