Nakagami imaging for detecting thermal lesions induced by high-intensity focused ultrasound in tissue
Notice bibliographique
Résumé
High-intensity focused ultrasound induces focalized tissue coagulation by increasing the tissue temperature in a tight focal region. Several methods have been proposed to monitor high-intensity focused ultrasound-induced thermal lesions. Currently, ultrasound imaging techniques that are clinically used for monitoring high-intensity focused ultrasound treatment are standard pulse-echo B-mode ultrasound imaging, ultrasound temperature estimation, and elastography-based methods. On the contrary, the efficacy of two-dimensional Nakagami parametric imaging based on the distribution of the ultrasound backscattered signals to quantify properties of soft tissue has recently been evaluated. In this study, ultrasound radio frequency echo signals from ex vivo tissue samples were acquired before and after high-intensity focused ultrasound exposures and then their Nakagami parameter and scaling parameter of Nakagami distribution were estimated. These parameters were used to detect high-intensity focused ultrasound-induced thermal lesions. Also, the effects of changing the acoustic power of the high-intensity focused ultrasound transducer on the Nakagami parameters were studied. The results obtained suggest that the Nakagami distribution's scaling and Nakagami parameters can effectively be used to detect high-intensity focused ultrasound-induced thermal lesions in tissue ex vivo. These parameters can also be used to understand the degree of change in tissue caused by high-intensity focused ultrasound exposures, which could be interpreted as a measure of degree of variability in scatterer concentration in various parts of the high-intensity focused ultrasound lesion.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».