Manual and semiautomatic segmentation of bone sarcomas on MRI have high similarity
Notice bibliographique
Résumé
The aims of this study were to evaluate the intra- and interobserver reproducibility of manual segmentation of bone sarcomas in magnetic resonance imaging (MRI) studies and to compare manual and semiautomatic segmentation methods. This retrospective study included twelve osteosarcoma and eight Ewing sarcoma MRI studies performed prior to any therapeutic intervention. All cases were histopathologically confirmed. Three radiologists used 3D-Slicer software to perform manual segmentation of bone sarcomas in a blinded and independent manner. One radiologist segmented manually and also performed semiautomatic segmentation with the GrowCut tool. Segmentation exercises were timed for comparison. The dice similarity coefficient (DSC) and Hausdorff distance (HD) were used to evaluate similarity between the segmentation results and further statistical analyses were performed to compare DSC, HD, and volumetric results. Manual segmentation was reproducible with intraobserver DSC varying from 0.83 to 0.97 and HD from 3.37 to 28.73 mm. Interobserver DSC of manual segmentation showed variation from 0.73 to 0.97 and HD from 3.93 to 33.40 mm. Semiautomatic segmentation compared to manual segmentation resulted in DSCs of 0.71-0.96 and HDs of 5.38-31.54 mm. Semiautomatic segmentation required significantly less time compared to manual segmentation (P value ≤0.05). Among all situations compared, tumor volumetry did not show significant statistical differences (P value >0.05). We found excellent intra- and interobserver agreement for manual segmentation of osteosarcoma and Ewing sarcoma. There was high similarity between manual and semiautomatic segmentation, with a significant reduction of segmentation time using the semiautomatic method.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».