Po‐Poster ‐ 20: Octree based compression method of DICOM images for voxel number reduction and faster Monte Carlo simulations
Notice bibliographique
Résumé
Purpose: Diminish the number of voxels created from a set of DICOM images while keeping critical information at tissue interfaces needed in a Monte Carlo simulation without compromising the physical quality of the voxelized image. An algorithm was developed to apply an octree compression to DICOM images. The algorithm works as follows: the whole set of DICOM image is assumed as a cube. It is then split in eight equal smaller cubes. Each of the cubes is checked for density homogeneity. If a high density gradient is encountered in a cube, it is also split in eight equal parts. This process goes on until the minimum specified voxel size is reach. The resulting image is composed of various voxels size. To verify precision, Monte Carlo simulation with GEANT4 using a narrow beam passing through several high density gradients was done. The resulting number of voxels range from 5 to 20% of the original size depending on configuration. The voxel area on a typical slice is 1 square voxel (i.e. no compression) at high density gradient to 64 square voxel for homogeneous sections. Mean volume was about 5.43 voxels for the phantom used. Monte Carlo simulation shows less then 1% difference in dose at the high gradient interface. The octree compression is an excellent method to compress DICOM information for Monte Carlo treatment planning without losing precision at the interfaces in homogeneous regions. Given good parameters the algorithm also has the ability to smooth digital noise in the homogenous area.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».