On The Development Of Photoacoustic Imaging Biomarkers For Cancer Treatment Monitoring
Notice bibliographique
Résumé
This dissertation describes the development of functional and structural photoacoustic (PA) imaging biomarkers that can be used to monitor cancer treatment response and potentially predict treatment outcome. An imaging method that can indicate individualized treatment success could improve therapeutic outcome. Assessing the effectiveness of therapies as early as possible may spare the patient from unnecessary treatments and save precious clinical resources. In order for PA imaging to enter mainstream radiology and become a treatment monitoring tool, rigorous development of biomarkers that are easy-to-use and representative of the treatment-induced changes in the tumor microenvironment are needed. In this work, I have developed imaging biomarkers that rely on the analysis of the radiofrequency signals in acoustic resolution PA imaging. Specifically, I show through simulations and experiments that biomarkers sensitive to the size, number density and spacing of tumor blood vessels can be extracted through time and frequency domain analysis of PA signals. This information is encoded in the speckle that forms during diffuse optical illumination, which was previously thought to be noise. Moreover, I demonstrate that PA imaging can detect the response of a thermosensitive liposome by measuring a >10% drop in the oxygenation of the tumor as early as 30 minutes post-treatment. This change in oxygenation is due to vascular disruption, a phenomenon that can be detected through frequency analysis of the PA signals. The spectral slope parameter decreases by as much as 73% in 2 hours post-treatment and can be used to differentiate alongside the oxygenation biomarker between responders and non-responders. Lastly, I demonstrate that these PA imaging biomarkers correlate well with the histologically measured biophysical changes of two novel, bubble-based cancer treatments. In this dissertation, PA imaging biomarkers for cancer treatment monitoring are developed, advancing the modality towards clinical translation.
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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».