Neuronavigation using susceptibility-weighted venography: application to deep brain stimulation and comparison with gadolinium contrast
Notice bibliographique
Résumé
Careful trajectory planning on preoperative vascular imaging is an essential step in deep brain stimulation (DBS) to minimize risks of hemorrhagic complications and postoperative neurological deficits. This paper compares 2 MRI methods for visualizing cerebral vasculature and planning DBS probe trajectories: a single data set T1-weighted scan with double-dose gadolinium contrast (T1w-Gd) and a multi-data set protocol consisting of a T1-weighted structural, susceptibility-weighted venography, and time-of-flight angiography (T1w-SWI-TOF). Two neurosurgeons who specialize in neuromodulation surgery planned bilateral STN DBS in 18 patients with Parkinson's disease (36 hemispheres) using each protocol separately. Planned trajectories were then evaluated across all vascular data sets (T1w-Gd, SWI, and TOF) to detect possible intersection with blood vessels along the entire path via an objective vesselness measure. The authors' results show that trajectories planned on T1w-SWI-TOF successfully avoided the cerebral vasculature imaged by conventional T1w-Gd and did not suffer from missing vascular information or imprecise data set registration. Furthermore, with appropriate planning and visualization software, trajectory corridors planned on T1w-SWI-TOF intersected significantly less fine vasculature that was not detected on the T1w-Gd (p < 0.01 within 2 mm and p < 0.001 within 4 mm of the track centerline). The proposed T1w-SWI-TOF protocol comes with minimal effects on the imaging and surgical workflow, improves vessel avoidance, and provides a safe cost-effective alternative to injection of gadolinium contrast.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».