Sci‐AM1 Sat ‐ 08: Towards MR‐based treatment planning: Characterisation of geometric distortion in 3T MR images
Notice bibliographique
Résumé
Because of the excellent soft‐tissue detail provided by MR images, it is the optimum imaging modality for treatment planning target delineation. While the structure of a tumor can be seen in great detail on MR images, the geometric accuracy of the images is limited by the homogeneity of the background field, the linearity of the applied gradients, and the magnetic susceptibility of the imaged tissues. As such, MR images cannot be used alone for novel treatment planning purposes (i.e. MR simulation), or in conjunction with CT because of geometric distortion. Our research seeks to quantify the amount of distortion in 3T MR images due to both background inhomogeneities and gradient nonlinearities on a sequence by sequence basis by using a specialized grid phantom and an in‐house developed software program. The matlab‐based program accurately determines the 3D coordinates of over 9000 control points distributed throughout the phantom's volume. Three dimensional distortion maps can be generated by comparing the control point coordinates determined from an MR scan to the control point coordinates determined from a CT scan. Control point locations can be determined to an accuracy of 0.2 mm and distortions as large as 13 mm have been measured. With appropriate post‐processing correction factors derived from the 3D distortion maps, MR images can be undistorted and either combined or used individually for new treatment planning methods that benefit from the superior soft‐tissue information that magnetic resonance techniques provide.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».