Viscoelastic transcranial wave propagation modeling for neuronavigated focused ultrasound procedures in humans
Notice bibliographique
Résumé
Transcranial focused ultrasound (FUS) has gained significant attention as a non-invasive therapeutic technique that can reach both cortical and subcortical targets in the human brain. However, the skull barrier distorts the ultrasound beam and introduces significant losses that need to be accounted for. In this talk, I will present our efforts to develop high precise transcranial ultrasound modeling based on the open-source viscoelastic wave propagation solver BabelViscoFDTD and its application in neuronavigated procedures for FUS-based neuromodulation. The viscoelastic wave equation is expressed in isotropic stress tensors and displacement vectors, and their nodes are placed in a staggered grid arrangement. The solver uses a Cartesian O(4)-space O(2)-time FDTD scheme. A narrow-band quality factor models attenuation. A reduction of staircase artifacts can be enabled using a superposition operator. BabelViscoFDTD is optimized for multiple computing GPU and CPU backends (CUDA, OpenCL, Metal, and X86-64) and includes GPU-accelerated solvers of the Rayleigh-Sommerfeld equation and Bio-Heat thermal equations. We adapted the viscoelastic and thermal solvers to neuronavigate two FUS devices: A 128-element concaved array operable at 250 kHz and 700 kHz and a 4-ring concaved array operable at 500 kHz. The high degree of optimization of the solvers allow that numerical procedures (neuronavigation and modeling) can be performed in an Apple M1 Max (64 GB RAM) laptop computer.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| 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 | 0,001 |
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 ».