Feature‐based multibody rigid registration of CT and ultrasound images of lumbar spine
Notice bibliographique
Résumé
PURPOSE: Fusion of intraprocedure ultrasound and preprocedure CT data is proposed for guidance in percutaneous spinal injections, a common procedure for pain management. CT scan of the lumbar spine is usually collected in a supine position, whereas spinal injections are performed in prone or sitting positions. This leads to a difference in the spine curvature between CT and ultrasound images; as such, a single-body rigid registration approach cannot be used for the whole lumbar vertebrae. METHODS: To compensate for the difference in the spinal curvature between the two imaging modalities, a multibody rigid registration algorithm is presented. The approach utilizes a point-based registration technique based on the unscented Kalman filter (UKF), taking as input segmented vertebrae surfaces in both CT and ultrasound data. Ultrasound images are automatically segmented using a dynamic programming method, while the CT images are semiautomatically segmented using thresholding. The registration approach is designed to simultaneously align individual groups of points segmented from each vertebra in the two imaging modalities. A biomechanical model is developed to constrain the vertebrae transformation parameters during the registration and to ensure convergence. RESULTS: The proposed methodology is evaluated on human spine phantoms and a sheep cadaver. Registrations on phantom data have a mean target registration error (TRE) of 1.99 mm in the region of interest and converged in 87% of cases. Registrations on sheep cadaver have a mean target registration error of 2.2 mm and converged in 82% of cases. CONCLUSIONS: The proposed technique can robustly and simultaneously register several vertebrae extracted from CT images to the ultrasound volumes. The registration error below 2.2 mm is sufficient for most spinal injections.
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 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
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 ».