Contouring in the optic plane improves the accuracy of computed tomography‐based segmentation of the optic pathway
Notice bibliographique
Résumé
Canine optic pathway structures are often contoured on CT images, despite the difficulty of visualizing the optic pathway with CT using standard planes. The purpose of this prospective, analytical, diagnostic accuracy study was to examine the accuracy of optic pathway contouring by veterinary radiation oncologists (ROs) before and after training on optic plane contouring. Optic pathway contours used as the gold standard for comparison were created based on expert consensus from registered CT and MRI for eight dogs. Twenty-one ROs contoured the optic pathway on CT using their preferred method, and again following atlas and video training demonstrating contouring on the optic plane. The Dice similarity coefficient (DSC) was used to assess contour accuracy. A multilevel mixed model with random effects to account for repeated measures was used to examine DSC differences. The median DSC (5th and 95th percentile) before and after training was 0.31 (0.06, 0.48) and 0.41 (0.18, 0.53), respectively. The mean DSC was significantly higher after training compared with before training (mean difference = 0.10; 95% CI, 0.08-0.12; P < 0.001) across all observers and patients. DSC values were comparable to those reported (0.4-0.5) for segmentation of the optic chiasm and nerves in human patients. Contour accuracy improved after training but remained low, potentially due to the small optic pathway volumes. When registered CT-MRI images are not available, our study supports routine addition of an optic plane with specific window settings to improve segmentation accuracy in mesaticephalic dogs ≥11 kg.
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 | 0,001 | 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 ».