AutoPathNet: a patient-specific automated 3D trajectory planning framework for minimally invasive evacuation of hypertensive intracerebral hemorrhage.

چکیده اصلی

PURPOSE: Rapid and reproducible trajectory planning is important for minimally invasive evacuation of hypertensive intracerebral hemorrhage (ICH). We developed AutoPathNet, a patient-specific automated 3D trajectory-planning framework that generates geometrically favorable candidate trajectories from preoperative imaging. METHODS: AutoPathNet reconstructs patient-specific anatomical models from CT-derived inputs, generates candidate entry-target trajectories, filters candidates according to predefined anatomical constraints, and ranks feasible trajectories using a composite geometric planning metric. Algorithm-generated trajectories were compared with surgeon-implemented catheter trajectories reconstructed from postoperative CT in a 21-patient validation cohort. RESULTS: The framework generated three candidate trajectories within approximately 31 s. In 16 of 21 paired cases (76.2%; Wilson 95% confidence interval, 54.9%-89.4%), the best algorithm-generated candidate had a lower m value than the surgeon-implemented catheter trajectory reconstructed from postoperative CT. This comparison uses postoperative catheter position as a procedural imaging reference and reflects geometric planning performance within the current constraint model, suggesting potential value as a neurosurgeon-supervised planning reference rather than evidence of clinical outcome superiority. CONCLUSION: AutoPathNet rapidly generated patient-specific candidate trajectories for minimally invasive evacuation of hypertensive ICH. The framework may support neurosurgeon-supervised trajectory planning, but prospective validation using multimodal functional constraints and clinical outcome endpoints is required before clinical deployment.

ترجمه فارسی چکیده

هدف: برنامه‌ریزی مسیر سریع و قابل تکرار برای تخلیه کم‌تهاجمی خونریزی مغزی فشار خون بالا (ICH) حیاتی است. ما AutoPathNet را توسعه دادیم، یک چارچوب برنامه‌ریزی مسیر سه‌بعدی خودکار و مبتنی بر بیمار که از تصویربرداری پیش‌عملیاتی، مسیرهای کاندیدای هندسی مطلوب تولید می‌کند. روش‌ها: AutoPathNet مدل‌های آناتومیک بیمار-خاص را از ورودی‌های CT بازسازی می‌کند، مسیرهای ورودی-هدف کاندید تولید می‌کند، کاندیدها را بر اساس محدودیت‌های آناتومیک پیش‌تعریف شده فیلتر می‌کند و مسیرهای قابل اجرا را با استفاده از یک شاخص برنامه‌ریزی هندسی ترکیبی رتبه‌بندی می‌کند. مسیرهای تولید شده توسط الگوریتم با مسیرهای سوند بیمار که از CT پس از عمل بازسازی شده‌اند در یک کوهورت اعتبارسنجی ۲۱ نفره مقایسه شدند. نتایج: چارچوب سه مسیر کاندید در حدود ۳۱ ثانیه تولید کرد. در ۱۶ مورد از ۲۱ مورد جفت (۷۶.۲٪؛ CI ۹۵٪ ویلسون ۵۴.۹٪ تا ۸۹.۴٪)، بهترین کاندید تولید شده توسط الگوریتم دارای مقدار m کمتری نسبت به سوند بیمار بود. این مقایسه از موقعیت سوند پس از عمل به عنوان یک مرجع تصویربرداری پروسیجرال استفاده می‌کند و عملکرد برنامه‌ریزی هندسی را در مدل محدودیت فعلی منعکس می‌کند، که نشان‌دهنده ارزش بالقوه به عنوان یک مرجع برنامه‌ریزی تحت نظارت جراح مغز و اعصاب است تا شواهدی از برتری نتیجه بالینی. نتیجه‌گیری: AutoPathNet به سرعت مسیرهای کاندید بیمار-خاص برای تخلیه کم‌تهاجمی ICH تولید کرد. این چارچوب ممکن است برنامه‌ریزی مسیر تحت نظارت جراح مغز و اعصاب را پشتیبانی کند، اما قبل از پیاده‌سازی بالینی، اعتبارسنجی آینده‌نگرانه با استفاده از محدودیت‌های عملکردی چندمدی و نقاط پایانی نتیجه بالینی مورد نیاز است.

متن کامل اصلی