Correction of brain shift with Intraoperative Ultrasound - segmentation challenge
Notice bibliographique
Résumé
Early brain tumor resection can effectively improve the patient’s survival rate (Jakola et al. 2012). The proposed challenge intends to solve key issue in ultrasound-guided brain tumor resection, which is to outline the tumor boundary in intra-operative ultrasound. The tumor segmentation will (1) assist the surgeon in image interpretation, especially after brain shift has occurred and the MRI is no longer reliable and (2) segmented structures could be used to drive registration algorithms to compensate for brain shift. Intra-operative ultrasound (iUS) is a robust and relatively inexpensive technique to track intra-operative tissue shift and surgical tools. Automatic algorithms for brain tissue segmentation in iUS, especially brain tumors and resection cavity can greatly facilitate the robustness and accuracy of brain shift correction through image registration, and allow easy interpretation of the iUS. This has the potential to improve surgical outcomes and patient survival rate (Xiao et al. 2020). The challenge is an extension to the previous CuRIOUS 2018&2019 Challenge that focused on image registration algorithms. It will provide a snapshot of the current and new techniques for iUS segmentation which may further enhance the usefulness of ultrasound in surgical guidance by assisting the neurosurgeon in ultrasound image interpretation as well as input to image registration algorithms. The challenge will provide the opportunity to benchmark the methods on the newly released dataset of iUS brain tumor and resection cavity segmentation. References Jakola et al. 2012: Comparison of a strategy favoring early surgical resection vs a strategy favoring watchful waiting in low-grade gliomas. JAMA, 2012 Gerard et al. 2017: Brain shift in neuronavigation of brain tumors: A review, Medical Image Analysis, 2017. Munkvold et al. 2017: Tumor volume assessment in low-grade gliomas: A comparison of preoperative magnetic resonance imaging to coregistered 3-dimensional ultrasound recordings, Neurosurgery, Aug 2017. Xiao et al. 2017: Retrospective evaluation of cerebral Tumors (RESECT): A clinical database of pre-operative MRI and intra-operative ultrasound in low-grade glioma surgeries, Medical Physics, Apr. 2017 Maier-Hein et al. 2018: Why rankings of biomedical image analysis competitions should be interpreted with care, Nature Communications, 2018 Xiao et al. 2020: Evaluation of MRI to Ultrasound Registration Methods for Brain Shift Correction: The CuRIOUS 2018 Challenge, IEEE TMI, 2020 Wiesenfarth et al. 2021: Methods and open-source toolkit for analyzing and visualizing challenge results, Scientific reports, 2021 Carton et al. (2020): Automatic segmentation of brain tumor resections in intraoperative ultrasound images using U-Net, Journal of Medical Imaging 7(3); doi: 10.1117/1.JMI.7.3.031503].
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 | 0,006 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
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 ».