Multi-omic feature reliability of deformable image registration-based images
Notice bibliographique
Résumé
Abstract Purpose . To evaluate the reliability of radiomic and dosiomic (multi-omic) features extracted from synthetic CT images generated using two commercially available deformable image registration workflows. Materials and Methods . Multi-omic features were extracted from organs at risk (OAR) contoured on a cohort of 58 head and neck (HN) radiotherapy patients. The contours were propagated from the planning CT to synthetic CTs of the final fraction cone-beam CT (CBCT) anatomy using MIM and Velocity deformable image registration workflows. The workflows were validated using radiation oncologist contours on the planning CT and final fraction CBCT according to TG-132 guidelines. The OAR volumes and mean dose on the synthetic CTs from two workflows were compared using a signed Wilcoxon rank test. In addition, the dose distributions were evaluated using a gamma analysis using clinical criteria. The multi-omic features were extracted using region-of-interest extraction on the OAR with the original and wavelet filters. The feature reliability was evaluated for four OAR: spinal cord, parotid glands, submandibular glands, and pharyngeal constrictors. The reliability was evaluated using the intraclass correlation coefficient (ICC) with features exceeding 0.75 considered moderately reliable. Results . The volume and mean OAR dose were found to be statistically similar between the MIM and Velocity synthetic CT workflows. In addition, the gamma analysis resulted in 83% of plans exceeding 95% gamma passing rate at 3%/3 mm criteria. Across all HN OAR multi-omic features, fewer radiomic features (21%) were found to be moderately reliable compared to dosiomic features (59%) between the two synthetic CT workflows. The HN OAR with the most moderately reliable features was the spinal cord (46% radiomic, 85% dosiomic). Conclusion . Radiomics features presented worse reliability compared to dosiomic features across different synthetic CT deformable image registration workflows. Care should be taken when implementing predictive models using features extracted from different synthetic CT workflows.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».