In vivo optimisation study for multi-baseline MR-based thermometry in the context of hyperthermia using MR-guided high intensity focused ultrasound for head and neck applications
Notice bibliographique
Résumé
PURPOSE: In this in vivo study, the feasibility to perform hyperthermia treatments in the head and neck using magnetic resonance image-guided high intensity focused ultrasound (MRgHIFU) was established using a porcine acute model. MATERIALS AND METHODS: Porcine specimens with a weight between 17 and 18 kg were treated in the omohyoid muscle in the neck. Hyperthermia was applied with a target temperature of 41 °C for 30 min using a Sonalleve MRgHIFU system. MR-based thermometry was calculated using water-proton resonance frequency shift and multi-baseline look-up tables indexed by peak-to-peak displacement (Dpp) measurements using a pencil-beam navigator. Three hyperthermia experiments were conducted at different Dpp values of 0.2, 1.0 and 3.0 mm. An optimisation study was carried out to establish the optimal parameters controlling the multi-baseline method that ensured a minimisation of spatial-average peak-to-peak temperature (TSA-pp) and temperature direct current bias (TSA-DC). RESULTS: The multi-baseline technique reduced considerably the noise on both TSA-pp and TSA-DC. The reduction of noise was more important when Dpp was higher. For Dpp = 3 mm the average (±standard deviation (SD)) of TSA-pp and TSA-DC was reduced from 4.5 (± 2.5) and 2.5 (±0.6) °C, respectively, to 0.8 (± 0.7) and 0.09 (± 0.2) °C. CONCLUSIONS: This in vivo study showed the level of noise in PRFS-based thermometry introduced by respiratory motion in the context of MRgHIFU hyperthermia treatment for head and neck and the feasibility of reducing this noise using a multi-baseline technique.
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 | 0,000 | 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 ».