Predicting the Premorbid Shape of a Diseased Mandible
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: Virtual surgical planning (VSP) for reconstructions of advanced mandibular neoplasms that have distorted the contour of the mandible is challenging, as the premorbid shape of the mandible is unknown. We introduce a novel modeling technique, based on a statistical shape model (SSM), that has learned the shape of a normal mandible from a set of 84 mandibles, such that given a diseased mandible, the model can determine its premorbid shape. METHODS: Eighty-four control mandibles were used to generate an SSM. Various mandibular defects were created, and the SSM was applied to predict the shape of the original mandible. The predicted and original shape of the defect were compared for accuracy using volumetric overlap and Hausdorff distance. All mandibular VSP cases in the past 2 years were reviewed to identify those that required virtual preprocessing due to significantly distorted mandibular contours. The SSM was compared to those cases requiring preprocessing and highlighted in one prospective VSP. RESULTS: The average volumetric overlap and Hausdorff distance between the defect replacement and the defect are 73.9% ± 13.3% and 4.51 mm ± 2.65 mm, respectively. The SSM is more accurate for smaller defects, and those not including the condyle. Ten out of 40 VSP cases required preprocessing using four different techniques. Qualitatively, the SSM outperformed those preprocessing techniques applied in the retrospective cases. CONCLUSIONS: The SSM can accurately predict the premorbid shape of a distorted mandible and is superior to current preprocessing techniques. The SSM was successfully applied to a retrospective series and one prospective index case. LEVEL OF EVIDENCE: 4 Laryngoscope, 131:E781-E786, 2021.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».