Targeting error simulator for image-guided prostate needle placement
Notice bibliographique
Résumé
MOTIVATION: Needle-based biopsy and local therapy of prostate cancer depend multimodal imaging for both target planning and needle guidance. The clinical process involves selection of target locations in a pre-operative image volume and registering these to an intra-operative volume. Registration inaccuracies inevitably lead to targeting error, a major clinical concern. The analysis of targeting error requires a large number of images with known ground truth, which has been infeasible even for the largest research centers. METHODS: We propose to generate realistic prostate imaging data in a controllable way, with known ground truth, by simulation of prostate size, shape, motion and deformation typically encountered in prostatic needle placement. This data is then used to evaluate a given registration algorithm, by testing its ability to reproduce ground truth contours, motions and deformations. The method builds on statistical shape atlas to generate large number of realistic prostate shapes and finite element modeling to generate high-fidelity deformations, while segmentation error is simulated by warping the ground truth data in specific prostate regions. Expected target registration error (TRE) is computed as a vector field. RESULTS: The simulator was configured to evaluate the TRE when using a surface-based rigid registration algorithm in a typical prostate biopsy targeting scenario. Simulator parameters, such as segmentation error and deformation, were determined by measurements in clinical images. Turnaround time for the full simulation of one test case was below 3 minutes. The simulator is customizable for testing, comparing, optimizing segmentation and registration methods and is independent of the imaging modalities used.
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 | 0,001 |
| 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 ».