Impact of calcification modeling to improve image fusion accuracy for endovascular aortic aneurysm repair
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
Since the 1990s, endovascular aortic aneurysm repair (EVAR) has become a common alternative to open surgery for the treatment of abdominal aortic aneurysms (AAAs). To aid the deployment of stent-grafts, fluoroscopic image guidance can be enhanced using preoperative simulation and intraoperative image fusion techniques. However, the impact of calcification (Ca) presence on the guidance accuracy of such techniques is yet to be considered. In the present work, we introduce a guidance tool that accounts for patient-specific Ca presence. Numerical simulations of EVAR were developed for 12 elective AAA patients, both with (With-Ca) and without (No-Ca) Ca consideration. To assess the accuracy of the simulations, the image results were overlaid on corresponding intraoperative images and the overlay error was measured at selected anatomical landmarks. With this approach we gained insight into the impact of Ca presence on image fusion accuracy. Inclusion of Ca improved mean image fusion accuracy by 8.68 ± 4.59%. In addition, a positive correlation between the relative Ca presence and the image fusion accuracy was found (R = .753, p < .005). Our results suggest that considering Ca presence in patient-specific EVAR simulations increases the reliability of EVAR image guidance techniques that utilize numerical simulation, especially for patients with severe aortic Ca presence.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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