MétaCan
Menu
Retour à la cohorte
Enregistrement W2321506715 · doi:10.1097/00004424-200001000-00007

Pulse Inversion Imaging of Liver Blood Flow

2000· article· en· W2321506715 sur OpenAlexaff
Peter N. Burns, Stephanie R. Wilson, David Hope Simpson

Notice bibliographique

RevueInvestigative Radiology · 2000
Typearticle
Langueen
DomaineEngineering
ThématiqueUltrasound and Hyperthermia Applications
Établissements canadiensUniversity of TorontoHealth Sciences CentreSunnybrook Health Science Centre
Organismes subventionnairesnon disponible
Mots-clésSecond-harmonic imaging microscopyMicrobubblesScannerComputer scienceUltrasoundOpticsBiomedical engineeringPhysicsMedicineAcousticsSecond-harmonic generationLaser

Résumé

récupéré en direct d'OpenAlex

RATIONALE AND OBJECTIVES: To create a microbubble contrast image of vessels that lie below the resolution of an ultrasound system, a technique is required that detects preferentially the agent echo, rejecting that from tissue. Harmonic imaging exploits the nonlinear behavior of microbubbles but forces a compromise between image sensitivity and axial resolution. The authors describe and evaluate a new method that overcomes this compromise and improves contrast imaging performance: pulse inversion imaging. METHODS: Sequences of pulses of alternate phase are transmitted into tissue and their echoes summed. A prototype scanner equipped with pulse inversion was used to image phantoms and 16 patients with focal liver masses. RESULTS: Pulse inversion images show contrast sensitivity and resolution superior to that of harmonic images. Vessels can be imaged at an incident power sufficiently low to avoid destroying the agent, allowing unique visualization of tumor vasculature. Distinct patterns were seen in hemangiomas, metastases, and hepatocellular carcinomas. CONCLUSIONS: Pulse inversion imaging is an improved bubble-specific imaging method that extends the potential of contrast ultrasonography.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,193
Écart entre enseignants0,183 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations355
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInvestigative RadiologyMême sujetUltrasound and Hyperthermia ApplicationsTravaux en français237 207