Patient-specific functional liver segments based on centerline classification of the hepatic and portal veins
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
PURPOSE: Couinaud's liver segment classification has been widely adopted for liver surgery planning, yet its rigid anatomical boundaries often fail to align precisely with individual patient anatomy. This study proposes a novel patient-specific liver segmentation method based on detailed classification of hepatic and portal veins to improve anatomical adherence and clinical relevance. METHODS: Our proposed method involves two key stages: (1) surgeons annotate vascular endpoints on 3D models of hepatic and portal veins, from which vessel centerlines are computed; and (2) liver segments are calculated by assigning voxel labels based on proximity to these vascular centerlines. The accuracy and clinical applicability of our Hepatic and Portal Vein-based Classification (HPVC) were compared with conventional Plane-Based Classification (PBC), Portal Vein-Based Classification (PVC), and an automated deep learning method (nnU-Net) using volumetric measurements, Dice similarity scores, and expert evaluations. RESULTS: HPVC demonstrated superior anatomical conformity compared to traditional methods, especially in complex segments like 5 and 8, providing segmentations more reflective of actual vascular territories. Volumetric analysis revealed significant discrepancies among the methods, particularly with nnU-Net generally producing larger segment volumes. HPVC consistently achieved higher surgeon-rated scores in patient-specific anatomical adherence, perfusion region assessment, and accuracy in surgical planning compared to PBC, PVC, and nnU-Net. CONCLUSION: the open-source platform 3D Slicer significantly enhances its accessibility and usability.
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 | 0,000 | 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 découle