Laser Surface Scanning for Patient Registration in Intracranial Image-guided Surgery
Notice bibliographique
Résumé
OBJECTIVE: To report our clinical experience with a new laser scanning-based technique of surface registration. We performed a prospective study to measure the calculated registration error and the application accuracy of laser surface registration for intracranial image-guided surgery in the clinical setting. METHODS: Thirty-four consecutive patients with different intracranial diseases were scheduled for intracranial image-guided surgery by use of a passive infrared surgical navigation system. Surface registration was performed by use of a Class I laser device that emits a visible laser beam. The Polaris camera system (Northern Digital, Waterloo, ON, Canada) detects the skin reflections of the laser, which the software uses to generate a virtual three-dimensional matrix of the anatomy of each patient. An advanced surface-matching algorithm then matches this virtual three-dimensional matrix to the three-dimensional magnetic resonance therapy data set. Registration error as calculated by the computer was noted. Application accuracy was assessed by use of the localization error for three distant anatomic landmarks. RESULTS: Laser surface registration was successful in all patients. For the surgical field, application accuracy was 2.4 +/- 1.7 mm (range, 1-9 mm). Application accuracy was higher for the surgical field of frontally located lesions (mean, 1.8 +/- 0.8 mm; n = 13) as compared with temporal, parietal, occipital, and infratentorial lesions (mean, 2.8 +/- 2.1 mm; n = 21). CONCLUSION: Laser scanning for surface registration is an accurate, robust, and easy-to-use method of patient registration for image-guided surgery.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».