Efficient real-time 3D tracking of liver targets through image registration and LightGBM
Notice bibliographique
Résumé
Background: The ability to track regions of interest in real time is essential for many clinical procedures. However, many systems are constrained to 2D tracking and experience delays due to image acquisition and processing times. This research presents innovative techniques to estimate 3D target movements in real time by utilizing interleaved coronal and sagittal magnetic resonance images. Methods: Image registration is employed to quantify the target’s 2D movement from its original position on a reference image. This 2D information is then combined with predictions from LightGBM models to determine the entire 3D displacement of the target. Additionally, the 2D displacement measurements are incorporated into the LightGBM models’ training set for continuous on-line re-optimization. The methods were evaluated using a curated dataset of real liver data; their performance in tracking and ability to offset system delays was analyzed. Results: On average, the image registration method yielded tracking errors of 1.19 mm. System delays of 200 ms, 400 ms and 600 ms led to tracking errors of 1.78 mm, 2.62 mm and 3.46 mm. The trained LightGBM models, once trained, reduced these errors by 29% to 46%. Conclusions: The challenges of incomplete data and system delay were effectively addressed by the investigated methods, which demonstrate great potential for real-time 3D tracking of various targets without needing prior knowledge of their displacement.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».