与罗兰区（Rolandic）及周围罗兰区（Perirolandic）转移瘤切除术后功能恢复相关的因素

《Ophthalmic Plastic & Reconstructive Surgery》：Factors Associated With Postoperative Functional Outcome in Rolandic and Perirolandic Metastasis Resection

脑移位影响神经外科手术导航精度，本研究基于13例患者的iUS术前术后三维超声数据，构建双架构3D神经网络及其集成模型，实现直接从iUS序列预测像素级脑移位，基线模型均方根误差最低（中位数1.45mm），增强模型方向精度最佳（中位数69.33°），集成模型平衡两者，梯度可视化揭示变形敏感区域，验证iUS-iUS直接建模可行性，为实时补偿提供低成本解决方案。

　　

摘要 通俗语言总结

---

背景与目标：

在脑肿瘤的神经外科手术中，脑部移位可能由牵拉、切除以及渗透压变化等因素引起，这会影响到基于术前影像的导航系统的可靠性。术中超声（iUS）提供了一种低成本、实时的成像方法，但现有的校正策略依赖于术中磁共振成像（iMRI），从而限制了其通用性和空间分辨率。我们提出了一种深度学习框架，能够直接从配对的术中超声数据中预测体素级别的脑部变形，从而实现无需依赖术前MRI的局部脑移位补偿。

方法：

利用包含13名患者术前和术后三维超声数据及标志点注释的“脑肿瘤评估数据集”，我们训练了两种三维神经网络模型及其集成版本。通过留一法交叉验证，在解剖学标志点处使用标准回归指标来评估模型性能。

结果：

基线模型的平均均方根误差最低（中位数：1.45，四分位数范围：0.39），而增强模型的方向精度最高（中位数：69.33°，四分位数范围：44.45°）。集成模型在两种指标上表现均衡。梯度加权类激活映射可视化技术有助于识别术前扫描中更易发生变形的区域。标志点误差分析显示结果具有一致性，大多数患者的误差低于2毫米的中位数绝对误差，但一名解剖结构异常的患者误差较高，这表明在数据有限的情况下，对大范围或非均匀脑移位的泛化存在挑战。

结论：

虽然大多数以往的研究都集中在MRI到iUS或MRI到MRI的变形建模上，但我们的研究表明，利用深度学习直接从iUS到iUS的扫描数据中估计空间分辨的脑部移位是可行的。这种方法能够提供密集的、实时的变形信息，从而提高术中的适应性。未来的工作应扩大数据集的多样性和规模，并结合多任务学习技术，以区分变形与脑组织塌陷。

通俗语言总结：脑肿瘤手术过程中的脑部移位会影响用于导航的术前影像的准确性。本研究介绍了一种深度学习方法，利用术中超声（iUS）图像来预测脑部变形，为MRI提供了一种实时且成本效益高的替代方案。通过分析13名患者的数据，训练出了两个神经网络模型来估计脑部移位。基线模型的平均均方根误差最低，而增强模型的方向精度最高。大多数患者的误差低于2毫米的中位数绝对误差，但一名解剖结构异常的患者的误差较高。该方法无需依赖MRI，即可提供详细的、实时的脑部移位信息，从而提高手术精度。

文本由机器生成，可能存在不准确之处。常见问题解答