Automatic detection of brachytherapy seeds in 3D ultrasound images using a convolutional neural network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A novel approach for automatic localization of brachytherapy seeds in 3D transrectal ultrasound (TRUS) images, using machine learning based algorithm, is presented. 3D radiofrequency ultrasound signals were collected from 13 patients using the linear array of the TRUS probe during the brachytherapy procedure in which needles are used for insertion of stranded seeds. Gold standard for the location of seeds on TRUS data were obtained with the guidance of the complete reconstruction of the seed locations from multiple C-arm fluoroscopy views and used in the creation of the training set. We designed and trained a convolutional neural network (CNN) model that worked on 3D cubical sub-regions of the TRUS images, that will be referred to as patches, representing seed, non-seed within a needle track and non-seed elsewhere in the images. The models were trained with these patches to detect the needle track first and then the individual seeds within the needle track. A leave-one-out cross validation approach was used to test the model on the data from eight of the patients, for whom accurate seed locations were available from fluoroscopic imaging. The total inference time was about 7 min for needle track detection in each patient's image and approximately 1 min for seed detection in each needle, leading to a total seed detection time of less than 15 min. Our seed detection algorithm achieved [Formula: see text] precision, [Formula: see text] recall and [Formula: see text] F1_score. The results from our CNN-based method were compared to manual seed localization performed by an expert. The CNN model yielded higher precision (lower false discovery rate) compared to the manual method. The automated approach requires little modification to the current clinical setups and offers the prospect of application in real time intraoperative dosimetric analysis of the implant.
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.
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 | 0,000 | 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 découle