MétaCan
Menu
Retour à la cohorte
Enregistrement W2516514509 · doi:10.1118/1.4961811

Poster ‐ 37: Pre‐clinical geometric, dosimetric and timing assessment of head and neck OARs using an in‐house atlas‐based auto‐segmentation (ABAS) tool

2016· article· en· W2516514509 sur OpenAlexaff
Eman Khawandanh, Nevin McVicar, Cheryl Duzenli

Notice bibliographique

RevueMedical Physics · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueHead and Neck Cancer Studies
Établissements canadiensBC Cancer Agency
Organismes subventionnairesnon disponible
Mots-clésSegmentationHead and neckNuclear medicineAtlas (anatomy)Computer scienceAnatomyArtificial intelligenceBiologyMedicineSurgery

Résumé

récupéré en direct d'OpenAlex

Purpose: This study aims to validate the geometric and dosimetric performance of our in‐house ABAS tool using manual inter‐observer variation as benchmark data. Materials and methods: An in‐house ABAS constructed, using MIM MaestroTM version 6.5, from 36 previously treated head and neck cases. 15 OARs of eight nasopharynx patients were segmented via three observers from the same institution and using the in‐house ABAS. Percentage of volume differences (ΔV%,), degree of overlap (DICE), distance‐to‐agreement and the standard deviation of absolute dose difference ΔD SD(Gy) among the eight cases [ΔDmax SD(Gy) for serial organs and ΔDmean SD(Gy) for parallel organs] were compared between the manual segmentation and original ABAS contours for each OAR. Results: The geometric results indicated that ABAS ΔV% was within 1SD from the manual segmentation. DICE showed that manual segmentation marginally outperformed ABAS in the delineation of parotid glands, submandibular glands, and laryngopharynx, but ABSA performed as well as the manual segmentation or better for all other structures. The distance‐to‐agreement was <1.5 cm for 87% of ABAS structures. From a dosimetric perspective, only ABAS salivary glands demonstrated higher ΔD SD(Gy) compared to manual segmentation. For all other structures ABAS results were similar or better than the manual segmentation. The average time to segment a complete H&N OAR set was <3minutes versus 30minutes for manual segmentation. Conclusion: ABAS is a practical time‐saving tool. This study indicated up 90% time‐saving of the operator time per case. ABAS geometric and dosimetric results were within ±1SD inter‐observer variation for most of the structures.

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)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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 Opus0,086
Tête enseignante GPT0,417
Écart entre enseignants0,331 · 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'étudeExpérimental (laboratoire)
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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetHead and Neck Cancer StudiesTravaux en français237 207