Stereotaktik girişimlerde trajeksiyon oluşturmak için vasküler risk haritasının otomatik üretilmesi
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Beyin içerisinde hedeflenen noktaya güvenli bir şekilde ulaşmak önemli bir konudur. Trajeksiyon (giriş-hedef) boyunca kritik beyin yapılarına girilmemesi hedeflenir. Klasik planlamada beyin yapıları (AC, PC, MC), giriş ve hedef noktaları cerrah tarafından manuel işaretlenir. Zaman alıcı ve yüksek risk barındıran bu sürecin bilgisayar destekli yazılımlarla desteklenmesine ihtiyaç duyulmaktadır. Bu alanda yapılan çalışmalar incelendiğinde, beyin yapılarının (beyin, tümör, vasküler ağ) tespit edilerek giriş risk haritasının otonom üretildiği bir hedefleme sisteminin bulunmadığı görülmektedir. Ayrıca özgün bir trajeksiyon risk hesabı modeli önerilmektedir. Bu model iki seviyeli vasküler ağı sınıra uzaklığa göre gri ölçeğe dönüştürerek vasküler yapıdaki sınır ile merkez noktanın riske etkisini düzenler. Vasküler ağdaki bu güncelleme daha doğru bir risk haritasının elde edilmesini sağlamıştır. Beyin ve tümör yapılarının tespitinde sırayla HD-BET ve SwinUnetr modelleri kullanılmıştır. Yapılan çalışmanın doğrulama faaliyetlerinde iki farklı beyin cerrahının manuel trajeksiyon verileri kullanılmıştır. Önerilen otomatik trajeksiyon tespit yaklaşımının cerrahlarla kıyaslandığında yaklaşık %50 daha düşük risk değerli trajeksiyon belirleyebildiği görülmektedir. Bir sonraki çalışmada, tümör yerine STN yapıları hedeflenerek risk haritaları üretilecek ve epilepsi operasyon güvenliğinin arttırılması hedeflenecektir.
It is an important issue to reach the target point in the brain safely. It is aimed not to enter critical brain structures during the traction (entry-target). In classical planning, brain structures (AC, PC, MC), entry and target points are marked manually by the surgeon. This time-consuming and high-risk process needs to be supported by computer-aided software. When the studies conducted in this field are examined, it is seen that there is no targeting system where brain structures (brain, tumor, vascular network) are detected and the entry risk map is produced autonomously. In addition, a unique traction risk calculation model is proposed. This model converts the two-level vascular network to gray scale according to the distance to the boundary and regulates the effect of the boundary and the center point in the vascular structure on the risk. This update in the vascular network provided a more accurate risk map. HD-BET and SwinUnetr models were used respectively in the detection of brain and tumor structures. Manual traction data of two different neurosurgeons were used in the verification activities of the study. It is seen that the proposed automatic traction detection approach can determine tractions with approximately 50% lower risk values compared to surgeons. In the next study, risk maps will be produced by targeting STN structures instead of tumors and the aim will be to increase the safety of epilepsy operations.
It is an important issue to reach the target point in the brain safely. It is aimed not to enter critical brain structures during the traction (entry-target). In classical planning, brain structures (AC, PC, MC), entry and target points are marked manually by the surgeon. This time-consuming and high-risk process needs to be supported by computer-aided software. When the studies conducted in this field are examined, it is seen that there is no targeting system where brain structures (brain, tumor, vascular network) are detected and the entry risk map is produced autonomously. In addition, a unique traction risk calculation model is proposed. This model converts the two-level vascular network to gray scale according to the distance to the boundary and regulates the effect of the boundary and the center point in the vascular structure on the risk. This update in the vascular network provided a more accurate risk map. HD-BET and SwinUnetr models were used respectively in the detection of brain and tumor structures. Manual traction data of two different neurosurgeons were used in the verification activities of the study. It is seen that the proposed automatic traction detection approach can determine tractions with approximately 50% lower risk values compared to surgeons. In the next study, risk maps will be produced by targeting STN structures instead of tumors and the aim will be to increase the safety of epilepsy operations.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control, Tıbbi Biyoloji
