Photoacoustic tissue characterization using envelope statistics and ultrasonic spectral parameters
Notice bibliographique
Résumé
Photoacoustic (PA) tissue characterization relies on the analysis of ultrasound (US) signals generated through the PA effect. The probability distributions of PA signal amplitude as well as the frequency content of the PA signals are typically not considered. We present a phantom study where we introduce the combined use of US/PA signal envelope statistics along with analysis of the frequency content of the US/PA signals for the purposes of monitoring physical changes in the absorbers. The phantoms were constructed using black polystyrene beads (radius 1.77 μm and 7.36 μm). Tissue microenvironment was emulated by homogenously mixing 10 beads/imaging-transducer-resolution-volume in order to accommodate large numbers of sub-resolved beads. The phantoms were imaged with the Vevo LAZR US/PA integrated imaging system (Fujifilm-VisualSonics) using a 40 MHz linear array probe and 680 nm illumination. US/PA signals from the same region of interest were analyzed by mapping the signal amplitudes distributions from 5 phantom locations, fitting the data to the Generalized Gamma (GG) distribution and extracting the fit parameters while computing the normalized power spectra to retrieve the spectral slope (SS) and midband fit (MBF) spectral parameters. The GG scale parameter increased by 500x for US images and 12x for PA equivalents as the size of the beads increased by ~4.5x. The SS decreased by 0.8x for US and 0.4x for PA. These changes can be attributed variations in size and spatial organization of the beads suggesting that combined US/PA statistical and spectral analysis can potentially monitor normal and abnormal tissue physiological changes.
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 ».