TU‐D‐BRB‐03: Dual‐Energy CT: Considerations in Radiation Therapy
Notice bibliographique
Résumé
Dual‐energy CT technology is becoming increasingly available to the medical imaging community. In addition, several models of CT simulators sold for use in radiation therapy departments now feature dual‐energy technology. The images provided by dual‐energy CT scanners add new information to the radiation treatment planning process; multiple spectral components can be used to separate and identify material composition as well as generate virtual monoenergetic images. In turn, this information could be used to investigate pathologic processes, separate the properties of contrast agents from soft tissues, assess tissue response to therapy, and other applications of therapeutic interest. Additionally, the decomposition of materials in images could directly integrate with and impact the accuracy of dose calculation algorithms. This symposium will explore methods of generating dual‐energy CT images, spectral and image analysis algorithms, current and future applications of interest in oncologic imaging, and unique considerations when using dualenergy CT images in the radiation treatment planning process. Learning Objectives: Understand acquisition techniques and processing algorithms used in dual‐energy CT imaging. Discover current and future applications of dual‐energy CT images in the radiological oncology setting. Introduce some of the unique considerations and QA requirements when integrating a dual‐energy CT scanner into the radiation therapy environment. N. Pelc: GE Healthcare, Philips Healthcare, Sony; U. Schoepf: Consultant for and / or research support from Astellas, Bayer,;Bracco, GE, Guerbet, Medrad, Siemens
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,006 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,007 |
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 ».