Motion compensation using principal component analysis and projection onto dipole fields for abdominal magnetic resonance thermometry
Notice bibliographique
Résumé
PURPOSE: High intensity focused ultrasound (HIFU) has the potential to locally and non-invasively treat cancer with fewer side effects than alternative therapies. However, motion and tissue heterogeneity in the abdomen can compromise the HIFU focus and confound current thermometry methods. METHODS: The proposed thermometry method combines principal component analysis (PCA), as a multi-baseline technique, and projection onto dipole fields (PDF), as a near-referenceless method. PCA forgoes tracking tools by projecting incoming images onto a subspace spanning the motion history. PDF is subsequently used to synthesize the naturally feasible components of the residual phase using a magnetic dipole model. This leaves only the phase shifts that are induced by HIFU. RESULTS: With in vivo measurements, in porcine and human kidneys, the mean pixel-wise temperature SD was 0.86 ± 0.41°C in selected regions of interest (ROIs) across all data sets, without any user-interaction or supplementary tracking tools. This is an improvement over a benchmark hybrid method, which scored 1.36 ± 1.20°C on the same data. Uncorrected subtraction of the data yielded a score of 3.02 ± 2.87°C. CONCLUSION: The PCA-PDF hybrid method achieves superior artifact correction by exploiting the motion history and intrinsic magnetic susceptibility of the underlying tissue.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».