Improving visualization of three-dimensional aneurysm features via segmentation with upsampled resolution and gradient enhancement (SURGE)
Notice bibliographique
Résumé
BACKGROUND: Intracranial aneurysm neck width tends to be overestimated when measured with three-dimensional rotational angiography (3DRA) compared with two-dimensional digital subtraction angiography (2D-DSA), owing to high curvature at the neck. This may affect morphological and hemodynamic analysis in support of treatment planning. We present and validate a method for extracting high curvature features, such as aneurysm ostia, during segmentation of 3DRA images. METHODS: In our novel SURGE (segmentation with upsampled resolution and gradient enhancement) approach, the gradient of an upsampled image is sharpened before gradient-based watershed segmentation. Neck measurements were performed for both standard and SURGE segmentations of 3DRA for 60 consecutive patients and compared with those from 2D-DSA. Those segmentations were also qualitatively compared for surface topology and morphology. RESULTS: Compared with the standard watershed method, SURGE reduced neck measurement error relative to 2D-DSA by >60%: median error was 0.49 mm versus 0.17 mm for SURGE, which is less than the average pixel resolution (~0.33 mm) of the 3DRA dataset. SURGE reduced neck width overestimations >1 mm from 13/60 to 5/60 cases. Relative to 2D-DSA, standard segmentations were overestimated by 16% and 93% at median and 95th percentiles, respectively, compared with only 6% and 37%, respectively, for SURGE. CONCLUSION: SURGE provides operators with high-level control of the image gradient, allowing recovery of high-curvature features such as aneurysm ostia from 3DRA where conventional algorithms may fail. Compared with standard segmentation and tedious manual editing, SURGE provides a faster, easier, and more objective method for assessing aneurysm ostia and morphology.
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 ».