Automated catheter segmentation using 3D ultrasound images in high-dose-rate prostate brachytherapy
Notice bibliographique
Résumé
PURPOSE: High-dose-rate brachytherapy (HDR-BT) is an important treatment modality for prostate cancer that maximizes radiation dose to cancerous tissue while sparing surrounding organs. Currently, treatment planning during HDR-BT is manually completed by medical physicists, a time-consuming and observer dependent process. We propose using deep learning through a U-Net architecture to automatically segment catheters in HDR prostate brachytherapy treatment planning. METHODS: 3D Ultrasound data along with the corresponding manual contours were obtained from 49 patients undergoing HDR prostate brachytherapy. The dataset was preprocessed and then exported for training and evaluation. The resulting model was assessed both quantitatively with binary segmentation metrics and qualitatively through 3D reconstructions. RESULTS: The output segmentations demonstrated consistency on different patient datasets and good visual agreement with ground truth images. The average execution time per patient is under 30.0 s, a significant improvement from manual contouring, which may require upwards of an hour. CONCLUSION: We trained and evaluated a 3D U-Net model for automatic catheter segmentation on 3D transrectal ultrasound images generated through HDR prostate brachytherapy. Deep learning methods such as the 3D U-Net used in this scenario appear to be a promising method for automatic catheter segmentation in prostate brachytherapy.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».