Human Brain Tissue Identification Using Coherent Anti-Stokes Raman Scattering Spectroscopy and Diffuse Reflectance Spectroscopy for Deep Brain Stimulation Surgery
Notice bibliographique
Résumé
Abstract We assess the feasibility of using diffuse reflectance spectroscopy (DRS) and coherent anti-Stokes Raman scattering spectroscopy (CARS) as optical tools for human brain tissue identification during deep brain stimulation (DBS) electrode insertion, thereby providing a promising avenue for additional real-time neurosurgical guidance. DRS and CARS spectra were acquired using a custom-built optical probe integrated in a commercial DBS lead. The electrode was inserted to target 3 specific regions in each of the brain hemispheres of a human cadaver, for a total of 6 insertions. DRS and CARS spectra were acquired during the lead insertion at constant position increments. Spectra were analyzed using a dimensionality-reduction technique, principal component analysis (PCA), and the k-means clustering method to classify each spectrum as being either white matter or gray matter for each trajectory. The results were compared to visual tissue classifications performed on histological brain sections and classifications based on a preoperative magnetic resonance imaging (MRI) scan. DRS and CARS spectra obtained using the optical probe can identify white and gray matter during DBS lead insertion. In addition, the tissue composition along the trajectory toward a specific target is unique and can be differentiated by the optical probe. Moreover, the results obtained with PCA results suggest that DRS might be able to detect the presence of blood in front of the optical probe due to the strong optical absorption of hemoglobin in this wavelength range. It is possible to use optical measurements from the DBS lead during surgery to identify white and gray matter, and possibly the presence of blood in human brain tissue. This information could provide better guidance in real time and prevent hemorrhages without disrupting the normal surgical workflow. Further developments are required to fully integrate these tools into standard clinical procedures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».