COMP Report: A survey of radiation safety regulations for medical imaging x‐ray equipment in Canada
Notice bibliographique
Résumé
OBJECTIVES: Rigid image registration (RIR) and deformable image registration (DIR) are widely used in radiotherapy. This project aims to capture current international approaches to image registration. METHODS: A survey was designed to identify variations in use, resources, implementation, and decision-making criteria for clinical image registration. This was distributed to radiotherapy centers internationally in 2018. RESULTS: There were 57 responses internationally, from the Americas (46%), Australia/New Zealand (32%), Europe (12%), and Asia (10%). Rigid image registration and DIR were used clinically for computed tomography (CT)-CT registration (96% and 51%, respectively), followed by CT-PET (81% and 47%), CT-CBCT (84% and 19%), CT-MR (93% and 19%), MR-MR (49% and 5%), and CT-US (9% and 0%). Respondent centers performed DIR using dedicated software (75%) and treatment planning systems (29%), with 84% having some form of DIR software. Centers have clinically implemented DIR for atlas-based segmentation (47%), multi-modality treatment planning (65%), and dose deformation (63%). The clinical use of DIR for multi-modality treatment planning and accounting for retreatments was considered to have the highest benefit-to-risk ratio (69% and 67%, respectively). CONCLUSIONS: This survey data provides useful insights on where, when, and how image registration has been implemented in radiotherapy centers around the world. DIR is mainly in clinical use for CT-CT (51%) and CT-PET (47%) for the head and neck (43-57% over all use cases) region. The highest benefit-risk ratio for clinical use of DIR was for multi-modality treatment planning and accounting for retreatments, which also had higher clinical use than for adaptive radiotherapy and atlas-based segmentation.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».