Real-Time Control of Nanoparticle-Mediated Thermal Therapy Using Photoacoustic Imaging
Notice bibliographique
Résumé
OBJECTIVE: This work aims to determine whether photoacoustic (PA) thermometry from a commercially available PA imaging system can be used to control the temperature in nanoparticle-mediated thermal therapies. METHODS: The PA imaging system was interfaced to obtain PA images while scanning ex-vivo tissue. These images were then used to obtain temperature maps in real-time during heating. Validation and calibration of the PA thermometry were done using a fluoroptic thermometer. This thermometer was also used to develop and tune a software-based proportional integral derivative (PID) controller. Finally, a PA-based PID closed-loop controller was used to control gold nanorod (GNR) mediated laser therapy. RESULTS: The use of GNRs substantially enhanced laser heating; the temperature rise increased 7-fold by injecting a GNR solution with a concentration of 0.029 mg/mL. The control experiments showed that the desired temperature could be achieved and maintained at a targeted location in the ex-vivo tissue. The steady-state mean absolute deviations (MAD) from the targeted temperature during control were between 0.16 [Formula: see text] and 0.5 [Formula: see text], depending on the experiment. CONCLUSION: It was possible to control hyperthermia treatments using a software-based PID controller and a commercial PA imaging system. SIGNIFICANCE: The monitoring and control of the temperature in thermal-based therapies are important for assuring a prescribed temperature to the target tissue while minimizing the temperature of the surrounding healthy tissue. This easily implemented non-invasive control system will facilitate the realization of a broad range of hyperthermia treatments.
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 ».