Ultrasound super resolution imaging of nanodroplets with a multi-frequency hemispherical phased array
Notice bibliographique
Résumé
High resolution imaging of microvasculature is desirable for diagnostic and therapeutic applications in the brain. Here, we investigated the use of a 256-module sparse hemispherical transducer array to map the emissions of lipid-coated Decafluorobutane nanodroplets (∼210 ± 80 nm, 107–109 droplets/ml) flowing through tube phantoms (0.8 mm inner diameter). Each array module comprised 4 concentric cylindrical PZT-4 elements (55/306/612/1224 kHz). Droplets were vaporized at 55 kHz (0.10–0.18 MPa, 145 μs bursts every 2 s) and the resulting emissions were received on either the 306, 612 or 1224 kHz subarrays. Low-resolution 3-D images were formed using delay-and-sum passive beamforming, and super-resolved images were obtained via Gaussian fitting of the estimated point-spread-function to the low-resolution data. With super-resolution techniques, the mean lateral (axial) full-width-at-half-maximum image intensity was 35 ± 6 (67 ± 11), 16 ± 3 (32 ± 6), and 7 ± 1 (15 ± 2) μm from 160 (2970), 241 (2970), and 117 (4950) vaporization events (total frames), corresponding to ∼1/85 of normal resolution at 306, 612 and 1224 kHz, respectively. The mean positional uncertainties were ∼1/350 (lateral) and ∼1/180 (axial) of the receive wavelength in water. The pressure threshold for vaporization detection increased with increasing receive frequency. This study demonstrates the feasibility of mapping vaporized nanodroplets with passive beamforming and super-resolution imaging techniques.
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 | 0,000 |
| 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 ».