FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4318992034> ?p ?o ?g. }

• W4318992034 endingPage "114" @default.
• W4318992034 startingPage "109" @default.
• W4318992034 abstract "Accurate segmentation of target volumes and organs at risk from computed tomography (CT) images is essential for treatment planning in radiation therapy. The segmentation task is often done manually making it time-consuming. Besides, it is biased to the clinician experience and subject to inter-observer variability. Therefore, and due to the development of artificial intelligence tools and particularly deep learning (DL) algorithms, automatic segmentation has been proposed as an alternative. The purpose of this work is to use a DL-based method to segment the kidneys on CT images for radiotherapy treatment planning. In this contribution, we used the CT scans of 20 patients. Segmentation of the kidneys was performed using the U-Net model. The Dice similarity coefficient (DSC), the Matthews correlation coefficient (MCC), the Hausdorff distance (HD), the sensitivity and the specificity were used to quantitatively evaluate this delineation. This model was able to segment the organs with a good accuracy. The obtained values of the used metrics for the kidneys segmentation, were presented. Our results were also compared to those obtained recently by other authors. Fully automated DL-based segmentation of CT images has the potential to improve both the speed and the accuracy of radiotherapy organs contouring. La segmentation des volumes cibles et des organes à risque à partir des images de tomodensitométrie (CT: Computed Tomography) est essentielle pour les plans de traitement en radiothérapie. La segmentation est souvent effectuée manuellement, ce qui prend beaucoup de temps. De plus, elle est biaisée par l’expérience du clinicien et sujette à la variabilité inter-observateur. Ainsi, et du fait du développement des outils de l’intelligence artificielle et notamment des algorithmes d’apprentissage profond (DL: Deep Learning), la segmentation automatique a été proposée comme une alternative. L'objectif de ce travail est d’utiliser une méthode basée sur l’apprentissage profond pour segmenter les reins sur des images scanographiques pour les plans de traitement de radiothérapie. Dans cette contribution, nous avons utilisé les scanographies de 20 patients. La segmentation des reins a été réalisée à l’aide du modèle U-Net. Le coefficient de similarité (DSC), le coefficient de corrélation de Matthews (MCC), la distance de Hausdorff, la sensibilité et la spécificité ont été utilisés pour évaluer quantitativement cette délinéation. Ce modèle était capable de segmenter les organes avec une bonne précision. Les valeurs obtenues des métriques utilisées pour la segmentation des reins, ont été présentées. Nos résultats ont également été comparés à ceux obtenus récemment par d’autres auteurs. La segmentation entièrement automatisée basée sur l’apprentissage profond des images scanographiques a le potentiel d’améliorer à la fois la vitesse et la précision de la segmentation des organes pour la radiothérapie." @default.
• W4318992034 created "2023-02-03" @default.
• W4318992034 creator A5004829649 @default.
• W4318992034 creator A5030831376 @default.
• W4318992034 creator A5090433418 @default.
• W4318992034 date "2023-04-01" @default.
• W4318992034 modified "2023-09-27" @default.
• W4318992034 title "Automatic segmentation of kidneys in computed tomography images using U-Net" @default.
• W4318992034 cites W1970483105 @default.
• W4318992034 cites W2587231132 @default.
• W4318992034 cites W2808302424 @default.
• W4318992034 cites W2889615630 @default.
• W4318992034 cites W2897722020 @default.
• W4318992034 cites W3006170182 @default.
• W4318992034 cites W3012618518 @default.
• W4318992034 cites W3090446625 @default.
• W4318992034 cites W3093474702 @default.
• W4318992034 cites W3101394124 @default.
• W4318992034 cites W3131910870 @default.
• W4318992034 cites W3159307920 @default.
• W4318992034 cites W3206966550 @default.
• W4318992034 cites W4200271230 @default.
• W4318992034 cites W4200359482 @default.
• W4318992034 cites W4281630610 @default.
• W4318992034 doi "https://doi.org/10.1016/j.canrad.2022.08.004" @default.
• W4318992034 hasPubMedId "https://pubmed.ncbi.nlm.nih.gov/36739197" @default.
• W4318992034 hasPublicationYear "2023" @default.
• W4318992034 type Work @default.
• W4318992034 citedByCount "0" @default.
• W4318992034 crossrefType "journal-article" @default.
• W4318992034 hasAuthorship W4318992034A5004829649 @default.
• W4318992034 hasAuthorship W4318992034A5030831376 @default.
• W4318992034 hasAuthorship W4318992034A5090433418 @default.
• W4318992034 hasConcept C121684516 @default.
• W4318992034 hasConcept C124504099 @default.
• W4318992034 hasConcept C126838900 @default.
• W4318992034 hasConcept C141898687 @default.
• W4318992034 hasConcept C154945302 @default.
• W4318992034 hasConcept C163892561 @default.
• W4318992034 hasConcept C201645570 @default.
• W4318992034 hasConcept C2779104521 @default.
• W4318992034 hasConcept C2989005 @default.
• W4318992034 hasConcept C41008148 @default.
• W4318992034 hasConcept C509974204 @default.
• W4318992034 hasConcept C544519230 @default.
• W4318992034 hasConcept C71924100 @default.
• W4318992034 hasConcept C89600930 @default.
• W4318992034 hasConceptScore W4318992034C121684516 @default.
• W4318992034 hasConceptScore W4318992034C124504099 @default.
• W4318992034 hasConceptScore W4318992034C126838900 @default.
• W4318992034 hasConceptScore W4318992034C141898687 @default.
• W4318992034 hasConceptScore W4318992034C154945302 @default.
• W4318992034 hasConceptScore W4318992034C163892561 @default.
• W4318992034 hasConceptScore W4318992034C201645570 @default.
• W4318992034 hasConceptScore W4318992034C2779104521 @default.
• W4318992034 hasConceptScore W4318992034C2989005 @default.
• W4318992034 hasConceptScore W4318992034C41008148 @default.
• W4318992034 hasConceptScore W4318992034C509974204 @default.
• W4318992034 hasConceptScore W4318992034C544519230 @default.
• W4318992034 hasConceptScore W4318992034C71924100 @default.
• W4318992034 hasConceptScore W4318992034C89600930 @default.
• W4318992034 hasIssue "2" @default.
• W4318992034 hasLocation W43189920341 @default.
• W4318992034 hasLocation W43189920342 @default.
• W4318992034 hasOpenAccess W4318992034 @default.
• W4318992034 hasPrimaryLocation W43189920341 @default.
• W4318992034 hasRelatedWork W1971309979 @default.
• W4318992034 hasRelatedWork W2155235045 @default.
• W4318992034 hasRelatedWork W2167401887 @default.
• W4318992034 hasRelatedWork W2571225489 @default.
• W4318992034 hasRelatedWork W3047746737 @default.
• W4318992034 hasRelatedWork W3177367596 @default.
• W4318992034 hasRelatedWork W3188463548 @default.
• W4318992034 hasRelatedWork W4318992034 @default.
• W4318992034 hasRelatedWork W4319792695 @default.
• W4318992034 hasRelatedWork W4363650189 @default.
• W4318992034 hasVolume "27" @default.
• W4318992034 isParatext "false" @default.
• W4318992034 isRetracted "false" @default.
• W4318992034 workType "article" @default.