Laser Surface Scanning for Patient Registration in Intracranial Image-guided Surgery
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
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.
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 | 0,001 |
| 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 découle