INTRAOPERATIVE GEWEBECHARAKTERISIERUNG DURCH SPEKTRALANALYSE DER ULTRASCHALL-HOCHFREQUENZRÜCKSTREUDATEN VON HIRNGEWEBE UND MENINGEOMEN
Notice bibliographique
Résumé
Problemstellung: Zur Generierung von Ultraschall B-Bildern werden die Hochfrequenzsignale gleichgerichtet und nur die Einhüllende genutzt. Dabei gehen Informationen zum Frequenzgehalt des Ursprungssignals verloren. Aus diesem lassen sich aber spektrale Parameter errechnen, die zur Gewebecharakterisierung genutzt werden können. Die vorliegende Arbeit analysiert intraoperativ gewonnene Daten von Hirngewebe und Meningeomen und versucht eine auf Spektralparametern basierende Gewebecharakterisierung. Dies ist für die intraoperative Ultraschallbildgebung in der Neurochirurgie bedeutsam, da die Betrachtung herkömmlicher B-Bilder nicht immer eindeutig zwischen tumorösem und nicht-tumorösem Gewebe unterscheiden kann. Methoden: Nach Modifikation eines herkömmlichen Ultraschallgerätes (Hitachi CS 9600) sind die Hochfrequenzsignale vor jedweder Modifikation ausgekoppelt und direkt auf einen PC-Messplatz über eine Transientenrecorderkarte (Fa.Spectrum, Siek, Deutschland) übertragen worden. Korrekturfunktionen zum Ausgleich des wandlerspezifischen Schallfelds sind durch Phantommessungen erstellt und in die Spektralanalyse eingebunden worden. Die Analyse der Spektralparameter erfolgt off-line durch eine selbsterstellte Software-Routine. Bestimmt wurden frequenzabhängig Dämpfung, Rückstreuung und relativer Rückstreukoeffizient in vorgewählten ROI'S. Ergebnisse: Intraoperative Messungen erfolgten an normalem Hirngewebe (n=20), ödemisiertem Hirngewebe (n=12) und Meningeomen (n=20) mit insgesamt 380 Einzelmessungen. Analysiert wurden die Daten an 13 distinkten Frequenzpunkten des Wandlerspektrums zwischen 2,5 und 6,75MHz. Die Mittenfrequenz des eingesetzten Wandlers lag bei 5MHz. Hierbei ließ sich ein signifikanter Dämpfungsverlust in Meningeomgewebe gegenüber normalem Gewebe über die gesamte Frequenzbreite mit Ausnahme des Wertes bei 2,5MHz feststellen (p-Werte zwischen 0,0002 und 0,0119). Zwischen Meningeom und ödemisiertem Gewebe war eine signifikante Trennung bei 4,75MHz, 5MHz, 6,25MHz und 6,75 MHZ zu sehen. Die Analyse der Rückstreuung ergab eine signifikante Trennung zwischen normalem Parenchym und Meningeom im Frequenzbereich 4–5,5MHz mit Ausnahme der Mittenfrequenz 5MHz. Eine signifikante Trennung zwischen ödemisiertem Gewebe und Meningeom gelang nur bei 3MHz (p=0,0471). Ähnliches gilt für die relative Rückstreuung in Bezug zu externen Phantomdaten. Schlussfolgerungen: Zusammenfassend kann gezeigt werden, dass durch Analyse spektraler Echodaten eine Trennung zwischen normalem Hirngewebe und Meningeomgewebe erfolgen kann. Insbesondere die frequenzabhängige Dämpfung ist hier bedeutsam, wohingegen die Analyse der Rückstreuparameter nur eine unzureichende Trennung ermöglicht. Allerdings erfordert die Dämpfungsbestimmung eine ROI-Größe von ca. 1cm, was die Analyse im Einzelfall erschweren dürfte. Die Rückstreuung kann hingegen in beliebig kleinen ROI's gemessen und somit auch zur Erstellung von Parameterbildern genutzt werden. Dies ist zumindest bei einigen der analysierten Frequenzen signifikant möglich. Zusätzliche Parameter und weitere Tumorentitäten sollen nun in die Analyse miteinbezogen werden. Fernziel ist die Gewebecharakterisierung auch infiltrativ wachsender Hirntumore.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».