Iterative threshold segmentation for PET target volume delineation
Notice bibliographique
Résumé
The purpose of this work is to create a rigorous method of segmenting PET images using an automated iterative technique. To this end a phantom study employing spherical targets was used to determine local (slice specific) threshold levels which produce correct cross-sections based on the contrast between target and background. Numerous target to background activity concentration ratios were investigated but found to have minimal effect in comparison to the influence of target size. Functions were fit to this data and used to construct an iterative threshold segmentation algorithm. In all cases this approach yielded convergence within ten iterations. Iterative threshold segmentation was applied using both an axial and tri-axial approach to the spherical targets and also to two irregularly shaped volumes. Of these two approaches, the tri-axial method proved less susceptible to image noise and better at dealing with partial volume effects at the interface between target and background. For comparative purposes, single thresholds of 28% and 40% were also applied to the spherical data sets. The tri-axial iterative method was found capable of delineating cross sections with areas greater than 250 mm2 to within the maximum resolution possible (1 pixel width). Cross sections of less than 250 mm2 in area were resolved by the tri-axial method to within 2 pixel widths of their true physical extent. Local contrast based iterative threshold segmentation shows promise as a method of rigorously delineating PET target volumes with good accuracy subject to the limitations imposed by the image resolution which currently characterizes this modality.
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 | 0,000 | 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 ».