MRI to C‐arm spine registration through Pseudo‐3D CycleGANs with differentiable histograms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Image-guided spine surgery increasingly relies on diagnostic MRI for device navigation, as it allows to visualize the nerves and soft tissues during screw insertion in the pedicle region, which is not possible with preoperative CT or cone beam CT. However, registration of MRI to C-arm images remains difficult due to differences in visible tissue. METHODS: In this paper, we introduce a three-dimensional/two-dimensional (3D/2D) registration method of preoperative T2-weighted MRI of the lumbar spine to C-arm X-ray using synthetic CT images. The registration work is based on a pseudo-3D CycleGAN integrating a new cyclic loss function to ensure consistency in MRI and CT synthesis using differentiable histograms to match the multimodal distributions. The unified framework allows to improve bony tissue inference as opposed to regular 2D CycleGAN for image synthesis. A multiplanar digitally reconstructed radiograph (DRR) registration approach aligns the 3D and 2D images. RESULTS: Experiments performed on a public dataset of 18 pathological spines yielded a mean dice coefficient of 0.84 ± 0.015 on synthetic CTs. The DRR registration experiments, on the other hand, presented a target localization error of 2.1 ± 0.2mm. CONCLUSION: Intensity distributions and voxel-wise errors in Hounsfield units show encouraging results, illustrating the network's flexibility of producing qualitatively and quantitatively reasonable synthetic CT scans that can be used in a surgical 3D/2D registration framework. These promising results demonstrate the potential of the synthesis tool prior to integration in an image-guidance system.
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.
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 découle