Peripheral Nerve Focused Ultrasound Lesioning—Visualization and Assessment Using Diffusion Weighted Imaging
Notice bibliographique
Résumé
Objectives: Magnetic resonance-guided focused ultrasound (MRgFUS) is a non-invasive targeted tissue ablation technique that can be applied to the nervous system. Diffusion weighted imaging (DWI) can visualize and evaluate nervous system microstructure. Tractography algorithms can reconstruct fiber bundles which can be used for treatment navigation and diffusion tensor imaging (DTI) metrics permit the quantitative assessment of nerve microstructure in vivo. There is a need for imaging tools to aid in the visualization and quantitative assessment of treatment-related nerve changes in MRgFUS. We present a method of peripheral nerve tract reconstruction and use DTI metrics to evaluate the MRgFUS treatment effect. Materials and Methods: MRgFUS was applied bilaterally to the sciatic nerves in 6 piglets (12 nerves total). T1-weighted and diffusion images were acquired before and after treatment. Tensor-based and constrained spherical deconvolution (CSD) tractography algorithms were used to reconstruct the nerves. DTI metrics of fractional anisotropy (FA), and mean (MD), axial (AD), and radial diffusivities (RD) were measured to assess acute (<1–2 h) treatment effects. Temperature was measured in vivo via MR thermometry. Histological data was collected for lesion assessment. Results: The sciatic nerves were successfully reconstructed in all subjects. Tract disruption was observed after treatment using both CSD and tensor models. DTI metrics in the targeted nerve segments showed significantly decreased FA and increased MD, AD, and RD. Transducer output power was positively correlated with lesion volume and temperature and negatively correlated with MD, AD, and RD. No correlations were observed between FA and other measured parameters. Conclusions: DWI and tractography are effective tools for visualizing peripheral nerve segments for targeting in non-invasive surgical methods and for assessing the microstructural changes that occur following MRgFUS treatment.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».