High-intensity focused ultrasound thermal lesion detection using entropy imaging of ultrasound radio frequency signal time series
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: During the past few decades, high-intensity focused ultrasound (HIFU) modality has been gaining surging interest in various therapeutic applications such as non- or minimally-invasive cancer treatment. Among other attributes, robust and real-time HIFU treatment monitoring and lesion detection have become essential issues for successful clinical acceptance of the modality. More recently, ultrasound radio frequency (RF) time series imaging has been studied by a number of researchers. MATERIALS AND METHODS: porcine muscle tissue samples were exposed to HIFU exposures with total acoustic powers ranging from 30 to 110 Watts. The contrast-to-speckle ratio (CSR) values of the entropy images and their corresponding B-mode images of pre-, during- and post-HIFU exposure for each acoustic power were calculated. RESULTS: The novelty of this study is the use of Entropy parameter on ultrasound RF time series for the first time. Statistically significant differences were obtained between the CSR values for the B mode and entropy images at various acoustic powers. In case of 110 Watt, a CSR value 3.4 times higher than B-mode images was accomplished using the proposed method. Furthermore, the proposed method is compared with the scaling parameter of Nakagami imaging and same data which are used in this study. CONCLUSION: Entropy has the potential for using as an imaging parameter for differentiating lesions in HIFU surgery.
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.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle