SU‐C‐BRA‐02: A Lung Tumor Autocontouring Algorithm Based On Particle Filter for Dynamic Magnetic Resonance
Notice bibliographique
Résumé
Purpose: This study proposes a novel autocontouring algorithm for lung tumors based on particle filter. It is developed in the context of MR‐linac treatments and is validated on in‐vivo dynamic magnetic resonance images. Methods: A sequential Monte Carlo method called particle filter is combined with Otsu's thresholding technique to contour lung tumors on dynamic MR images. Four non‐small cell lung cancer (NSCLC) patients were imaged with a 1.5 T MR (MAGNETOM Aera, Siemens Healthcare, Erlangen, Germany) for one minute at a rate of 4 images per second. A pretreatment image‐processing step includes a manual contour of the tumor, the tumor's displacement, and its descriptive statistics. During treatment, the contours are automatically generated by thresholding the image in a window surrounding the center of mass of the particles. The Dice similarity coefficient (DSC), the precision, the recall, the Hausdorff distance (HD) and the difference in centroid positions (Δd) are calculated to compare with the expert's contours. Results: This autocontouring algorithm presents continuous adaptability and is independent of pre‐treatment training. The number of particles is proportional to the area of the tumor and increases the computational time at a rate of 2 ms for every 500 particles, whereas the contouring step adds a constant 14 ms. The contours’ comparison is obtained with a mean DSC of 0.89 to 0.91, mean precision of 0.88 to 0.92, mean recall of 0.88 to 0.95 and mean Δd of 0.6 to 2.3 mm. Conclusion: This work presents a new autocontouring algorithm for NSCLC patients on dynamic MR images. Combining the autocontours with a motion prediction algorithm presents a promising method for lung tumor online tracking treatments.
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 | 0,001 | 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 ».