Intraoperative Localization of STN During DBS Surgery Using a Data-Driven Model
Notice bibliographique
Résumé
A new approach is presented for localizing the Subthalamic Nucleus (STN) during Deep Brain Stimulation (DBS) surgery based on microelectrode recordings (MERs). DBS is an accepted treatment for individuals living with Parkinson's Disease (PD). This surgery involves implantation of a permanent electrode inside the STN to deliver electrical current. Since the STN is a very small region inside the brain, accurate placement of an electrode is a challenging task for the surgical team. Prior to placement of the permanent electrode, microelectrode recordings of brain activity are used intraoperatively to localize the STN. The placement of the electrode and the success of the therapy depend on this location. In this paper, an objective approach is implemented to help the surgical team in localizing the STN. This is achieved by processing the MER signals and extracting features during the surgery to be used in a Machine Learning (ML) algorithm for defining the neurophysiological borders of the STN. For this purpose, a new classification approach is proposed with the goal of detecting both the dorsal and the ventral borders of the STN during the surgical procedure. Results collected from 100 PD patients in this study, show that by calculating and extracting wavelet transformation features from MER signals and using a data-driven computational deep neural network model, it is possible to detect the borders of the STN with an accuracy of 92%. The proposed method can be implemented in real-time during the surgery to model the neurophysiological nonlinearity along the path of the electrode trajectory during insertion.
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 ».