MétaCan
Menu
Retour à la cohorte
Enregistrement W2175180303 · doi:10.1364/boe.6.004238

Sensitivity analysis aimed at blood vessels detection using interstitial optical tomography during brain needle biopsy procedures

2015· article· en· W2175180303 sur OpenAlexafffund
Julien Pichette, Andréanne Goyette, Fabien Picot, Marie-Andrée Tremblay, Gilles Soulez, Brian C. Wilson, Frédéric Leblond

Notice bibliographique

RevueBiomedical Optics Express · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensOntario Institute for Cancer ResearchCentre Hospitalier de l’Université de MontréalUniversité de MontréalPolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésDiffuse optical imagingOptical coherence tomographyTomographyRadiologySensitivity (control systems)MedicineBiopsyPathology

Résumé

récupéré en direct d'OpenAlex

A brain needle biopsy procedure is performed for suspected brain lesions in order to sample tissue that is subsequently analysed using standard histopathology techniques. A common complication resulting from this procedure is brain hemorrhaging from blood vessels clipped off during tissue extraction. Interstitial optical tomography (iOT) has recently been introduced by our group as a mean to assess the presence of blood vessels in the vicinity of the needle. The clinical need to improve safety requires the detection of blood vessels within 2 mm from the outer surface of the needle, since this distance is representative of the volume of tissue that is aspirated durirng tissue extraction. Here, a sensitivity analysis is presented to establish the intrinsic detection limits of iOT based on simulations and experiments using brain tissue phantoms. It is demonstrated that absorbers can be detected with diameters >300 μm located up to >2 mm from the biopsy needle core for bulk optical properties consistent with brain tissue.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,238
Score d'incertitude au seuil0,833

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,307
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiomedical Optics ExpressMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207