High intensity focused ultrasound with large aperture transducers: A MRI based focal point correction for tissue heterogeneity
Notice bibliographique
Résumé
PURPOSE: The risk of undesired tissue damage to thoracic cage, heart, and lung during MR guided HIFU ablations of breast cancer can be greatly reduced if a phased array transducer design with a lateral beam direction is used in combination with a large aperture. The disadvantage is an increased sensitivity to focus aberrations due to tissue heterogeneity. Here, the authors propose to restore the focal coherence by using a matched aperture phase correction, which is based on a noninvasively obtained tissue model. METHODS: The method combines high resolution MRI with ultrasound wave measurements of different tissue types to determine a phase correction, which compensates focal point aberrations caused by tissue heterogeneity. 3D segmentation of tissue is used to quantify the relative proportion of each tissue type along a line running from the center of each element of the phased array to the target focal point. RESULTS: For tissue types with a celerity difference of 3%, the proposed method allows to quantify the phase aberration with an accuracy of 6° ± 20° and a correlation factor R(2) = 0.95. Using the refocusing method for a complex heterogeneous phantom resulted in 95% of the maximal pressure, whereas only 70% of the maximal pressure is obtained in absence of any phase correction. CONCLUSIONS: Since the proposed refocusing algorithm is compatible with a standard interventional preplanning and requires only a minimal amount of processing, it presents a promising approach to compensate for aberration in heterogeneous tissues such as the human breast.
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 | 0,000 | 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 ».