P.064 Preoperative mapping using fMRI and DTI: a multimodal approach to assessing language dominance
Notice bibliographique
Résumé
Background: Language mapping is a key goal in neurosurgical planning. With the discontinuation of the Wada test in Canada, neurosurgeons often rely on fMRI and intraoperative techniques for determining language lateralization. Recent studies have also evaluated the utility of diffusion tensor imaging (DTI) for preoperative language lateralization, but further research is needed to confirm its efficacy. We report a patient with a left frontal AVM. fMRI and DTI was used to localize language and motor functioning. Methods: The tasks included word reading, picture naming, pseudohomophones (e.g., dawg) and semantic questions. All fMRI analyses were performed using BrainVoyager. Tensors were tracked from 30-direction diffusion MR images using DSI-Studio. Results: The fMRI results revealed consistent Broca’s and Wernicke’s areas, confirming left hemisphere dominance. There was also a region of activation in the precentral gyrus near the surgical resection. The results were loaded onto the neuronavigation system to help determine safe surgical margins. The DTI results revealed that the left arcuate and uncinate -fasciculus had three times more tracts than the right hemisphere, further supporting left hemisphere dominance. Conclusions: This case highlights the value of a combined, multimodal approach for preoperative language localization, which will further enhance surgical safety by helping preserve regions for essential brain functions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».