MétaCan
Menu
Retour à la cohorte
Enregistrement W2153804132 · doi:10.3109/10929080500079321

Projection-based needle segmentation in 3D ultrasound images

2004· article· en· W2153804132 sur OpenAlexafffund
Mingyue Ding, Aaron Fenster

Notice bibliographique

RevueComputer Aided Surgery · 2004
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage and Object Detection Techniques
Établissements canadiensRobarts Clinical Trials
Organismes subventionnairesCanadian Institutes of Health ResearchCanada Research Chairs
Mots-clésComputer visionArtificial intelligenceSegmentationComputer scienceProjection (relational algebra)Algorithm

Résumé

récupéré en direct d'OpenAlex

Needles are used extensively in interventional procedures such as biopsy and brachytherapy. To deliver radioactive seeds to pre-planned positions or sample lesions from the region that may contain cancer cells, the 3D position of the needle must be determined accurately and quickly. Three-dimensional ultrasound (US) image guidance is an efficient technique used to perform this task. In this paper, we describe the development of a projection-based needle segmentation method comprising three steps. First, the 3D image is projected along an initial direction perpendicular to the approximate needle direction determined from the 3D imaging system. The needle is then segmented in a projected 2D image. Using the projection direction and the detected 2D needle direction, a plane containing the needle--called the needle plane--is determined. Secondly, the 3D image is re-projected in the direction perpendicular to the normal of the needle plane and step 1 is repeated. If the needle direction in the projected 2D image is horizontal, the needle plane is correct; otherwise, steps 1 and 2 are repeated until a correct needle plane is found. Thirdly, the 3D image is projected along the normal direction of the needle plane and the needle endpoints in the projected 2D image are determined. Using the relationship between the 3D projection and the 3D volume coordinate systems, the coordinates of the endpoints of the needle in the 3D US coordinate system are determined. Experiments with agar and turkey phantom 3D US images demonstrated that our method could segment the needle from 3D US images with an average accuracy of 0.7 mm in position and 1.2 degrees in orientation with a speed of 13 fps on a 1.3-GHz PC. In addition, experiments illustrated that our method is robust to variations in the initial estimated needle direction, the size of the cropped volume, and the ray-casting transfer function parameters used in pre-processing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,235
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2004
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueComputer Aided SurgeryMême sujetImage and Object Detection TechniquesTravaux en français237 207