Texture-based Intraoperative Image Guidance for Tumor Localization in Minimally Invasive Surgery
Notice bibliographique
Résumé
Intraoperative tumor localization in a deflated lung in minimally invasive surgery (MIS) is challenging as the lung cannot be manually palpated through small incisions. To do so remotely, an articulated multisensory imaging device combining tactile and ultrasound sensors was developed. It visualizes the surface tactile map and the depth of the tissue. However, with little maneuverability in MIS, localizing tumors using instrumented palpation is both tedious and inefficient. In this paper, a texture- based image guidance system that classifies tactile-guided ultrasound texture regions and provides beliefs on their types is proposed. The resulting interactive feedback allows directed palpation in MIS. A k-means classifier is used to first cluster gray-level co-occurrence matrix (GLCM)-based texture features of the ultrasound regions, followed by hidden Markov model-based belief propagation to establish confidence about the clustered features observing repeated patterns. When the beliefs converge, the system autonomously detects tumor and nontumor textures. The approach was tested on 20 ex vivo soft tissue specimens in a staged MIS. The results showed that with guidance, tumors in MIS could be localized with 98% accuracy, 99% sensitivity, and 97% specificity.Clinical Relevance- Texture-based image guidance adds efficiency and control to instrumented palpation in MIS. It renders fluidity and accuracy in image acquisition using a hand-held device where fatigue from prolonged handling affects imaging quality.
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 | 0,001 |
| 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 ».