Development of a CT-Based Auto-Segmentation Model for Prostate-Specific Membrane Antigen (PSMA) Positron Emission Tomography-Delineated Tubarial Glands
Notice bibliographique
Résumé
Modern inverse planning radiotherapy techniques allow for organs at risk (OARs) to evade radiation doses that they would have been subjected to with earlier techniques. The extent to which patient outcomes may be improved using these techniques depends on the delineation accuracy of target volumes and OARs on medical images as well as clinical dose constraints applied to regions of interest (ROIs). The recent discovery of bilateral "tubarial" salivary glands, which were found in the nasopharynx using prostate-specific membrane antigen (PSMA) positron emission tomography (PET), raises concerns over how dose to this region might affect patient outcomes. The dose response of the major salivary glands is known to be variable, and it is possible that the dose in tubarial glands constitutes a missing variable in the optimization of head and neck (HN) radiotherapy plans. A necessary first step toward conducting clinical studies that include the tubarial glands in plan optimization is to develop methods for delineating these glands without the use of PSMA PET images, as their acquisition is not considered a part of the standard of care for HN patients. In this study, we develop an open-source program, Organogenesis, for the auto-segmentation of tubarial glands using only computed tomography (CT) images. A predictive model is trained using contours derived from PSMA PET images, allowing for accurate delineation of tubarial glands, which cannot be manually contoured using CT only. Organogenesis provides a predictive model for tubarial glands that can be iteratively improved on with additional data, creating a viable pathway to clinical studies that can assess the importance of incorporating tubarial glands into HN radiotherapy plan optimization.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».