Magnetic resonance imaging–based radiation treatment plans for dogs may be feasible with the use of generative adversarial networks
Notice bibliographique
Résumé
Objective: The purpose of this research was to examine the feasibility of utilizing generative adversarial networks (GANs) to generate accurate pseudo-CT images for dogs. Methods: This study used head standard CT images and T1-weighted transverse with contrast 3-D fast spoiled gradient echo head MRI images from 45 nonbrachycephalic dogs that received treatment between 2014 and 2023. Two conditional GANs (CGANs), one with a U-Net generator and a PatchGAN discriminator and another with a residual neural network (ResNet) U-Net generator and ResNet discriminator were used to generate the pseudo-CT images. Results: The CGAN with a ResNet U-Net generator and ResNet discriminator had an average mean absolute error of 109.5 ± 153.7 HU, average peak signal-to-noise ratio of 21.2 ± 4.31 dB, normalized mutual information of 0.89 ± 0.05, and dice similarity coefficient of 0.91 ± 0.12. The dice similarity coefficient for the bone was 0.71 ± 0.17. Qualitative results indicated that the most common ranking was "slightly similar" for both models. The CGAN with a ResNet U-Net generator and ResNet discriminator produced more accurate pseudo-CT images than the CGAN with a U-Net generator and PatchGAN discriminator. Conclusions: The study concludes that CGAN can generate relatively accurate pseudo-CT images but suggests exploring alternative GAN extensions. Clinical Relevance: Implementing generative learning into veterinary radiation therapy planning demonstrates the potential to reduce imaging costs and time.
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) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».