Meyer's loop tractography for image-guided surgery depends on imaging protocol and hardware [accepted manuscript]
Notice bibliographique
Résumé
Introduction: Surgical resection is an effective treatment for temporal lobe epilepsy but can result in visual field defects. This could be minimized if surgeons knew the exact location of the anterior part of the optic radiation (OR), the Meyer's loop. To this end, there is increasing prevalence of image-guided surgery using diffusion MRI tractography. Despite considerable effort in developing analysis methods, a wide discrepancy in Meyer's loop reconstructions is observed in the literature. Moreover, the impact of differences in image acquisition on Meyer's loop tractography remains unclear. Here, while employing the same state-of-the-art analysis protocol, we explored the extent to which variance in data acquisition leads to variance in OR reconstruction. Methods: Diffusion MRI data were acquired for the same thirteen healthy subjects using standard and state-of-the-art protocols on three scanners with different maximum gradient amplitudes (MGA): Siemens Connectom (MGA = 300 mT/m); Siemens Prisma (MGA = 80 mT/m) and GE Excite-HD (MGA = 40 mT/m). Meyer's loop was reconstructed on all subjects and its distance to the temporal pole (ML-TP) was compared across protocols. Results: A significant effect of data acquisition on the ML-TP distance was observed between protocols (p <.01 to 0.0001). The biggest inter-acquisition discrepancy for the same subject across different protocols was 16.5 mm (mean: 9.4 mm, range: 3.7â16.5 mm). Conclusion: We showed that variance in data acquisition leads to substantive variance in OR tractography. This has direct implications for neurosurgical planning, where part of the OR is at risk due to an under-estimation of its location using conventional acquisition protocols.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».