Safely assessing radiofrequency heating potential of conductive devices using image‐based current measurements
Notice bibliographique
Résumé
PURPOSE: Many procedures involving catheters and implanted medical devices could benefit from MRI guidance but are currently contraindicated due to risk of significant heating near linear conductive structures. A priori safety prediction is impossible in vivo and thus, safety is typically investigated in vitro by directly measuring temperature rise. Existing methods of investigating safety are inflexible and provide few data. Furthermore, they are fundamentally limited because dangerous temperatures rises can only be investigated if induced. A method of remotely predicting safety is necessary for ensuring safety in patients. THEORY AND METHODS: Electric current induced on the metallic object causes any dangerous heating; thus a remote method of safely characterizing the induced radiofrequency (RF) current distribution would suffice to evaluate safety assuming conservative estimates for local tissue properties. Here we propose a method of analyzing induced phase artifacts seen in low-specific absorption rate characterization images, to determine induced current on an interventional device. This induced current distribution can then be used to predict RF heating behavior under application of any other imaging sequence. RESULTS: This method has been successfully used to reproduce numerical simulations in a phantom. Furthermore, the heating behavior around a conductive wire produced by a scan other than that used to characterize current was successfully predicted. CONCLUSION: It has been shown in phantom experiments that remote current characterization can safely prevent dangerous scans as well as enable safe scans that previously would not have been attempted.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».