Preliminary assessment of a convolutional neural network for localization of a radioactive source with a hand-held gamma detector
Notice bibliographique
Résumé
Intraoperative localization of non-palpable lesions is an essential task in cancer surgery, and radioguided surgery using a gamma probe is a commonly used technique for this purpose. While gamma probes have proven to be effective for precise detection of lower energy radionuclides, scattering and septal penetration of the collimator at higher energies rapidly degrades the probe’s resolution. To combat these challenges, we aim to investigate the accuracy of a neural network in predicting the location of a high-energy radioactive source. In this study, we use Monte Carlo simulations to model a gamma probe containing a multifocal collimator and 4-segmented scintillation crystal. A 511 keV radioactive point source was positioned at various x, y locations 35 mm below the probe and a 4-channel energy spectrum was recorded for 300 simulations. A convolutional neural network (CNN) featuring three blocks of 1D-convolutions was used to predict the x, y source location from the energy spectra. The CNN hyperparameters were tuned using cross validation, and 20% of the data was reserved for testing. The results demonstrated a strong linear relationship (R2 = 0.92) between the true and predicted location. Achieving a mean radial error of 2.9 mm (±1.8 mm standard deviation) enabled the location of the radioactive source to be predicted to within 6.5 mm 95% of the time, a significant improvement compared to existing gamma probes where the resolution can be tens of millimeters. Overall, this work presents a new technique to improve the localization of positron-emitting radiolabels, thereby enhancing surgical accuracy.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».