Enhancing radiomics robustness using bayesian penalized likelihood PET reconstruction: application to Phantom and non-small cell lung cancer patient studies
Notice bibliographique
Résumé
PURPOSE: F-FDG PET imaging of lung cancer, which, with non-small cell lung carcinoma (NSCLC) as its most prevalent form, continues to be a leading cause of cancer-related mortality worldwide. The early detection and precise staging of NSCLC are crucial for effectively managing and treating the disease. METHOD: We studied a NEMA image quality (IQ) phantom and 15 patient PET lesions (14 NSCLC patients selected from 30 patients originally considered). The study assessed the stability of radiomics features against various imaging parameters, emphasizing the impact of the BPL reconstruction algorithm with varying β-values (50, 100, 150, 200, 250, 300, 350, 400, 450, 500, 600, and 700) and three phantom lesion to background ratios (LBRs) of 2:1, 4:1, and 8:1. Manual segmentation was performed, and subsequently, 130 radiomic features were extracted from the reconstructed images. The stability of radiomics features was assessed by calculating the coefficient of variation (COV) for each feature across variations in reconstruction parameters. A COV of ≤ 5% indicated high stability. RESULTS: Our results indicate that morphological and intensity-based features exhibit excellent stability, with a COV of less than 5%. Texture-based features, despite their complexity, also demonstrated robustness. Specifically, 32.3%, 39.2%, 42.3%, and 37.6% of features exhibited high stability in phantom LBR 2:1, phantom LBR 4:1, phantom LBR 8:1, and patient studies, respectively. Overall, 13 morphological, 8 intensity, 6 intensity-histogram, and 5 texture-based features were found to be highly stable against different LBRs and reconstruction parameters. CONCLUSIONS: The BPL reconstruction algorithm may enhance the robustness of PET radiomics features, supporting their use in clinical settings for non-invasive diagnosis and staging. The adoption of BPL towards improved PET radiomics robustness has the potential to transform NSCLC evaluation and management, but still needs standardization.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».