Prediction of free-breathing 4DCT lung deformation using probabilistic motion auto-encoders
Notice bibliographique
Résumé
Radiotherapy treatment necessitates accurate tracking of the tumor in real-time, often during free-breathing. However, in lung cancer, the respiration entails a significant displacement of the tumor during radiation. This movement, if not well accounted for, can lead to an under-radiation of the tumor or damaging surrounding healthy regions. It is therefore paramount to be able to follow the displacement of the tumor over the entire respiratory cycle. In deep learning applications, it is important to have enough data to capture reliable and representative motion patterns. However, obtaining large amounts of dynamic images is known to be difficult, especially when there is a need to use manually annotated images. Consequently, even incomplete data are worth being utilized. In this work, we propose a model capable of predicting lungs deformations to predict missing phases in a 4D CT lungs dataset, based on probabilistic motion auto-encoders. The model uses the information from a reference 3D volume obtained at the beginning of treatment and a set of 2D surrogate images to predict the next 3D respiratory volumes. The proposed model was evaluated on a free-breathing 4DCT dataset of 165 patients treated for lung cancer. We achieve a mean performance of 81.70% structural similarity, a mean square error of 3.02% and a negative local cross correlation of 81.43% on a hold-out test set comprised of 34 patients. The proposed model can also be used to complete missing respiratory phases in datasets of 4DCT scans of lungs.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».