Development of an MRI-Based Workflow for Post-implant Dosimetry of Prostate Low-Dose-Rate (Ldr) Brachytherapy
Notice bibliographique
Résumé
Permanent implantation of low-dose-rate (LDR) brachytherapy seeds is a well-established treatment modality for patients with localized prostate cancer. The quality of the implant is assessed within 30 days following implantation through post-implant dosimetry. The standard recommended procedure for post-implant dosimetry is based on computed tomography (CT). CT provides excellent seed visualization and localization; however, due to poor soft tissue contrast and challenging anatomical identificatio,n it leads to significant interobserver variabilities. The current MRI-CT fusion-based workflow for post-implant dosimetry LDR prostate brachytherapy takes advantage of the superior soft tissue contrast of MRI but still relies on CT for seed visualization and detection, and it suffers from image fusion uncertainties and extra cost and logistics. The lack of positive contrast from brachytherapy seeds in conventional MR images remains a major challenge towards an MRI-only workflow for post-implant dosimetry of Low- Dose-Rate (LDR) brachytherapy. In this thesis, a clinically feasible MRI-based workflow has been developed for brachytherapy seed visualization and localization. The seed visualization is based on a novel Quantitative Susceptibility Mapping (QSM) algorithm. The proposed seed localization on QSM utilizes machine learning algorithms. The reliability of the proposed workflow has been validated on 23 patients by comparing the seed positions and final dosimetric parameters between the proposed MRI-only workflow and the clinical CT-MRI fusion-based approach and there was excellent agreement between the two methods.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».