Active delineation of Meyer's loop using oriented priors through MAGNEtic tractography (MAGNET)
Notice bibliographique
Résumé
Streamline tractography algorithms infer connectivity from diffusion MRI (dMRI) by following diffusion directions which are similarly aligned between neighboring voxels. However, not all white matter (WM) fascicles are organized in this manner. For example, Meyer's loop is a highly curved portion of the optic radiation (OR) that exhibits a narrow turn, kissing and crossing pathways, and changes in fascicle dispersion. From a neurosurgical perspective, damage to Meyer's loop carries a potential risk of inducing vision deficits to the patient, especially during temporal lobe resection surgery. To prevent such impairment, achieving an accurate delineation of Meyer's loop with tractography is thus of utmost importance. However, current algorithms tend to under-estimate the full extent of Meyer's loop, mainly attributed to the aforementioned rule for connectivity which requires a direction to be chosen across a field of orientations. In this article, it was demonstrated that MAGNEtic Tractography (MAGNET) can benefit Meyer's loop delineation by incorporating anatomical knowledge of the expected fiber orientation to overcome local ambiguities. A new ROI-mechanism was proposed which supplies additional information to streamline reconstruction algorithms by the means of oriented priors. Their results showed that MAGNET can accurately generate Meyer's loop in all of our 15 child subjects (8 males; mean age 10.2 years ± 3.1). It effectively improved streamline coverage when compared with deterministic tractography, and significantly reduced the distance between the anterior-most portion of Meyer's loop and the temporal pole by 16.7 mm on average, a crucial landmark used for preoperative planning of temporal lobe surgery. Hum Brain Mapp 38:509-527, 2017. © 2016 Wiley Periodicals, Inc.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».