<scp>DCEUS</scp>‐based multiparametric perfusion imaging using pulse‐inversion Bubblet decorrelation
Notice bibliographique
Résumé
PURPOSE: This study aimed to clarify the influences of composite dynamic contrast-enhanced ultrasound (DCEUS) on multiparametric perfusion imaging (PPI) and to develop a novel PPI scheme through pulse-inversion Bubblet decorrelation (PIBD) to improve its contrast and detailed discriminability. METHOD: In in vivo perfusion experiments on rabbit kidneys, a pair of phase-inverted "Bubblets" was constructed. Phase-inverted raw radiofrequency echoes were reconstructed by using the maximum coefficients obtained from Bubblet decorrelation analysis and summed to form DCEUS loops. Nine perfusion parameters were estimated from these loops and color coded to create the corresponding PIBD-based PPIs. RESULTS: In addition to time-related PPIs, the contrast and detailed discriminability quantified by the average contrast and information entropy of intensity- and ratio-related PPIs were proportional to the microbubble detection sensitivity and microvascular discriminability evaluated by CTR in DCEUS techniques. Compared with the second harmonic, the CTR of DCEUS and the average contrast and information entropy of PPI were significantly improved by 9.03 ± 5.39 dB (P < 0.01), 6.39 ± 1.38 dB (P < 0.01), and 0.57 ± 0.15 (P < 0.05) in PIBD technique, respectively. CONCLUSIONS: As a multiparametric functional imaging technique, these improvements in the proposed scheme can be beneficial to accurately quantify and depict the hemodynamic perfusion features and details of tumor angiogenesis, and further can also assist clinicians in making a confirmed diagnosis.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».