A deep learning-based approach for localization of pedicle regions in preoperative CT scans
Notice bibliographique
Résumé
Pedicle screw fixation is a common yet technically demanding procedure. Due to the proximity of the inserted implant to the spinal column, a malplaced screw can cause neurological injury and subsequent postoperative complications. A common surgical routine starts with preoperative volumetric image acquisition (e.g. computed tomography) based on which the surgeons can highlight the planned trajectory. This process is generally done manually , which is error prone and time consuming. The primary purpose of this paper is to develop an automatic pedicle region localization based on preoperative CTs. This system can automatically annotate the CT scans to identify the regions corresponding to the pedicles and thus provide important information about the anatomical placement of the CT scan that can be useful for intraoperative implant position assessment (e.g. to initialize the 2D-3D registration). On the other hand, the pedicle localization can be exploited for preoperative planning. We designed and evaluated a fully convolutional neural network for the task of pedicle localization. A large training, validation and testing datasets (5000, 1000, 1000 images separately) were created using a custom data augmentation process that could generate unique vertebral morphologies for each image. After evaluation on the validation and test data, the Dice similarity coefficients between the pedicle regions detected by the trained network and the ground truth was 0.85 and 0.83 respectively. The proposed deep-learning-based algorithm was capable of automatically localizing the regions corresponding to the pedicles based on the preoperative CT scans. Therefore, a reliable initial guess for the 2D-3D registration process needed for intraoperative implant position assessment can be achieved. This system also has potential use in automating the preoperative planning.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».