Extracting 3D Prostate Geometry from 2D Optically-Tracked Transrectal Ultrasound Images
Notice bibliographique
Résumé
The technical challenges of traditional transrectal ultrasound-guided prostate biopsy, combined with the limited availability of more advanced prostate imaging techniques, have exacerbated existing differences in prostate cancer outcomes between high-resource and low-resource healthcare settings. The objective of this paper is to improve the tools available to clinicians in low-resource settings by working towards an inexpensive ultrasound-guided prostate biopsy navigation system. The principal contributions detailed here are the design, implementation, and testing of a system capable of generating a 3D model of the prostate from spatially-tracked 2D ultrasound images. The system uses open-source software, low-cost materials, and deep learning to segment and localize cross-sections of the prostate in order to produce a patient-specific 3D prostate model. A user study was performed to evaluate the performance of the system using a simulated patient and ultrasound probe. The results showed that non-clinical users were able to use the system to generate a 3D model of the prostate with minimal training. The capacity to generate a 3D prostate model using readily available technologies has the potential to improve access to navigated biopsy in low-resource settings. Low-cost navigational tools have an important role to play in democratizing access to reliable prostate cancer diagnosis and reducing the burden of disease among those most affected by prostate cancer.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».