PreVISE: an efficient virtual reality system for SEEG surgical planning
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
Epilepsy is a neurological disorder characterized by recurring seizures that can cause a wide range of symptoms. Stereo-electroencephalography (SEEG) is a diagnostic procedure where multiple electrodes are stereotactically implanted within predefined brain regions to identify the seizure onset zone, which needs to be surgically removed or disconnected to achieve remission of focal epilepsy. This procedure is complex and challenging due to two main reasons. First, as electrode placement requires good accuracy in desired brain regions, excellent knowledge and understanding of the 3D brain anatomy is required. Second, as typically multiple SEEG electrodes need to be implanted, the positioning of intracerebral electrodes must avoid critical structures (e.g., blood vessels) to ensure patient safety. Traditional SEEG surgical planning relies on 2D display of multi-contrast volumetric medical imaging data, and places a high cognitive demand for surgeons' spatial understanding, resulting in potentially sub-optimal surgical plans and extensive planning time (~ 15 min per electrode). In contrast, virtual reality (VR) presents an intuitive and immersive approach that can offer more intuitive visualization of 3D data as well as potentially enhanced efficiency for neurosurgical planning. Unfortunately, existing VR systems for SEEG surgery only focus on the visualization of post-surgical scans to confirm electrode placement. To address the need, we introduce the first VR system for SEEG planning that integrates user-friendly and efficient visualization and interaction strategies while providing real-time feedback metrics, including distances to nearest blood vessels, angles of insertion, and the overall surgical quality scores. The system reduces the surgical planning time by 91%.
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 | 0,002 | 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 | 0,001 | 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