Visualization of Multimodal Brain Connectivity for Neurosurgical Planning Using Handheld Device Augmented Reality
Notice bibliographique
Résumé
In neurosurgical procedures, precise preoperative planning requires extensive knowledge of the patients' anatomy as well as critical structures for brain functionality. Recently, there has been an increase in the use of minimally invasive approaches, owing in part to advancements in multimodal medical imaging techniques such as structural (SC), and functional-based brain mapping (FC), which have been shown to be useful metrics for surgical trajectory planning. The main challenges associated with their use is the lack of intuitive visualization and interactive methods available to neurosurgeons and trainees. AR systems represent a pivotal advancement towards augmenting the training of trainees as well as providing a platform for senior surgeons to maintain their skills in a low-risk training environment. Advanced image processing was performed on multimodal neuroimaging data (T1-weighted image, diffusion weighted image, resting-state functional magnetic resonance imaging) to characterize the SC and FC of the brain. An AR application, NeuroAR, was designed to take these as inputs and allow the user to visualize and interact with the neuroanatomy in the context of its associated SC and FC. The performances of 10 users on 24 targets were evaluated using an extension of Fitts' methodology. The users were able to use an interactive tool to select and visualize brain regions and their associated fibers. The fibers could be visualized based on their FC scores. As expected, the data showed that task difficulty increased as the volume of the fibers decreased. Movement time also increased as task difficulty increased. We introduced a new mobile device AR application based on data derived from advanced image processing of neuroimaging data. Evaluation of the 3D pointing tasks showed consistency in user performance indicating its utility.
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 | 0,000 |
| 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 ».