Feasibility of simulated realistic textured XCAT phantoms for assessment of radiomic feature stability
Notice bibliographique
Résumé
Radiomics studies, using features extracted from medical images, are often used for outcome prediction in oncology. Studies frequently use physical phantoms to assess radiomic feature reliability, however, few studies have utilized computer-generated phantoms to assess the impact of image acquisition parameters. Additionally, studies have introduced deep learning approaches to generate CT-realistic textures on computer-generated phantoms. Therefore, we aimed to assess the feasibility of using 4D extended cardiac-torso (XCAT) phantoms with generated realistic textures using a deep learning network adapted from a previous study to analyze the impact of slice thickness on radiomic features. Our dataset consisted of 70 organ maps (training: n=50, validation: n=20) generated from CT images of lung cancer patients. These were used as input for a dual-discriminator conditional-generative adversarial network to synthesize realistic textures in the organ maps. The validated network was used to generate realistic-textured XCAT phantoms. The phantoms were reconstructed using three different slice thicknesses. Pyradiomics was used to extract radiomics features from the tumor of each XCAT phantom. The intraclass correlation coefficient was used to assess the feature reliability for each acquisition protocol. Qualitatively, the generated XCAT phantoms had similar textures to that of the real CT images. The features demonstrated excellent reliability between each acquisition protocol for most feature types with GLCM texture features only showing moderate reliability, however, this may be due to the small sample size of the study. This study showed the feasibility of using generated realistic-textured XCAT phantoms to study the impact of acquisition protocols on radiomic features.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».