Comparison of piece‐wise linear, linear, and nonlinear atlas‐to‐patient warping techniques: Analysis of the labeling of subcortical nuclei for functional neurosurgical applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Digital atlases are commonly used in pre-operative planning in functional neurosurgical procedures performed to minimize the symptoms of Parkinson's disease. These atlases can be customized to fit an individual patient's anatomy through atlas-to-patient warping procedures. Once fitted to pre-operative magnetic resonance imaging (MRI) data, the customized atlas can be used to plan and navigate surgical procedures. Linear, piece-wise linear and nonlinear registration methods have been used to customize different digital atlases with varying accuracies. Our goal was to evaluate eight different registration methods for atlas-to-patient customization of a new digital atlas of the basal ganglia and thalamus to demonstrate the value of nonlinear registration for automated atlas-based subcortical target identification in functional neurosurgery. In this work, we evaluate the accuracy of two automated linear techniques, two piece-wise linear techniques (requiring the identification of manually placed anatomical landmarks), and four different automated nonlinear atlas-to-patient warping techniques (where two of the four nonlinear techniques are variants of the ANIMAL algorithm). Since a gold standard of the subcortical anatomy is not available, manual segmentations of the striatum, globus pallidus, and thalamus are used to derive a silver standard for evaluation. Four different metrics, including the kappa statistic, the mean distance between the surfaces, the maximum distance between surfaces, and the total structure volume are used to compare the warping techniques. The results show that nonlinear techniques perform statistically better than linear and piece-wise linear techniques. In addition, the results demonstrate statistically significant differences between the nonlinear techniques, with the ANIMAL algorithm yielding better results.
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.
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 | 0,001 |
| 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 découle