Open access segmentations of intraoperative brain tumor ultrasound images
Notice bibliographique
Résumé
PURPOSE: Registration and segmentation of magnetic resonance (MR) and ultrasound (US) images could play an essential role in surgical planning and resectioning brain tumors. However, validating these techniques is challenging due to the scarcity of publicly accessible sources with high-quality ground truth information. To this end, we propose a unique set of segmentations (RESECT-SEG) of cerebral structures from the previously published RESECT dataset to encourage a more rigorous development and assessment of image-processing techniques for neurosurgery. ACQUISITION AND VALIDATION METHODS: The RESECT database consists of MR and intraoperative US (iUS) images of 23 patients who underwent brain tumor resection surgeries. The proposed RESECT-SEG dataset contains segmentations of tumor tissues, sulci, falx cerebri, and resection cavity of the RESECT iUS images. Two highly experienced neurosurgeons validated the quality of the segmentations. DATA FORMAT AND USAGE NOTES: Segmentations are provided in 3D NIFTI format in the OSF open-science platform: https://osf.io/jv8bk. POTENTIAL APPLICATIONS: The proposed RESECT-SEG dataset includes segmentations of real-world clinical US brain images that could be used to develop and evaluate segmentation and registration methods. Eventually, this dataset could further improve the quality of image guidance in neurosurgery.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,010 |
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 ».