MétaCan
Menu
Retour à la cohorte
Enregistrement W2922498131 · doi:10.1117/12.2512844

Deformable MRI-TRUS surface registration from statistical deformation models of the prostate

2019· article· en· W2922498131 sur OpenAlexaff
Shirin Shakeri, Cynthia Ménard, Rui Pedro Lopes, Samuel Kadoury

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueMedical Image Segmentation Techniques
Établissements canadiensCentre Hospitalier de l’Université de MontréalPolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésImage registrationDeformation (meteorology)Computer scienceProstateArtificial intelligenceGeologyComputer visionMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

Transrectal ultrasound (TRUS) is considered the standard of care for imaging the prostate during biopsy and brachytherapy procedures. However, interpretation of TRUS images is challenging due to high specularity, making it difficult to recognize prostate boundaries. Image-guided brachytherapy and fusion-guided prostate biopsies require accurate non-rigid registration of magnetic resonance pre-operative image to intra-operative TRUS. State of the art techniques suggest semi-automated segmentation of the prostate on the TRUS images. However, due to the high variability, segmentation of the prostate is challenging. Segmentation errors could lead into poor localization of the biopsy target and can impact the registration of pre-operative images. In general, this kind of registration is challenging since the prostate anatomy undergoes motion due to TRUS probe pressure. In this paper, we propose a non-rigid surface registration approach for MR-TRUS fusion based on a statistical deformation model. Our method builds a statistical deformation model (SDM) of pre-operative to intra-operative deformations on a prostate dataset. In order to compute the fusion for an unseen MR-TRUS pair, the trained SDM is incorporated into the registration process to increase the fusion accuracy. The proposed approach is evaluated on a dataset of 23 patients with prostate cancer, for which the MRI-TRUS scans were available. We compared the proposed non-rigid SDM registration to non-rigid Iterative closest point (NICP) and rigid ICP approaches. Experiments demonstrate that the proposed SDM based method outperforms both NICP and ICP approaches, yielding a mean squared distance of 0.52 ± 0.26mm at the base, 0.45 ± 0.17mm mid-gland and 0.59 ± 0.13mm at the apex. These results show the advantage of integrating prior knowledge of deformation fields due to probe pressure for MR-TRUS fusion prostate interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,751
Score d'incertitude au seuil0,192

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,243
Écart entre enseignants0,231 · 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 tête enseignante, 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
GenreMéthodes

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

En bref

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMedical Image Segmentation TechniquesTravaux en français237 207