Quantitative PET lesion delineation using a three-dimensional adaptive threshold region growing algorithm (RGA): A method for calibration
Notice bibliographique
Résumé
1443 Objectives The goals of this study were to: (1) investigate the dependence of lesion size and tumor-to-background ratio (TBR) on the percent input parameter of RGA-based PET lesion delineations, and (2) develop and evaluate objective and quantitative methods for calibrating the RGA percent input parameter. Methods Five uniform-activity spherical phantom lesions (0.54 mL – 11.58 mL) of 11C within a background of 18F were imaged on a PET/CT scanner for two hours in 3D dynamic list mode yielding TBRs from 1.2 to 30. Images were reconstructed at two minute intervals using a clinical RAMLA 3D algorithm with CT attenuation correction. The RGA percent input parameter corresponding to a sharp increase in delineated volume was observed [Li et al. Med Phys. 2008;35:3711–3721] and employed as a calibration feature. Delineations using the proposed calibration method were compared to those obtained through application of four fixed RGA input parameters (from 55% to 85%). Results The percent input parameter required for the RGA to yield correct delineations was found to decrease both as a function of increasing sphere volume and increasing TBR. Delineations obtained using the proposed calibration were found to consistently outperform those obtained with fixed input parameters. In addition, the average sum of voxel intensities for the calibration-based delineations was found to be linearly correlated with the injected lesion activity (R2 = 0.998 for TBR > 5). Conclusions An objectively identified lesion-specific image feature was successfully implemented for calibration of the percent input parameter for RGA-based delineations.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».