Ultrasound-guided microbubble-mediated brain therapy with a modular transmit/receive phased array
Notice bibliographique
Résumé
The development of low-cost, ultrasound-guided focused ultrasound (USgFUS) treatment platforms is expected to advance the adoption of microbubble (MB)-mediated brain therapy by improving access to the technology. Our group has designed and fabricated clinical-scale transmit/receive phased array systems for MB-mediated USgFUS brain therapy. Acoustic field simulations were carried out to optimize array element placement, and transducer scaffolds were constructed using 3D printing techniques. These devices have been employed for skull computed tomography-array registration, 3D spatial mapping of MB activity in vivo through ex-vivo human skullcaps via noninvasive aberration correction methods, and we have harnessed this spatiotemporal cavitation information to calibrate exposure levels for safe volumetric blood-brain barrier opening. At higher exposure levels, we have demonstrated the ability of 3D MB imaging data to predict the tissue damage volume distributions induced during nonthermal brain ablation. Ultrafast processing of acoustic emissions data has been shown to uncover MB dynamics hidden by conventional whole-burst temporal averaging, and can inform temporal undersampling strategies when millisecond-long tone bursts are applied. Machine learning approaches can assist with image-based classification of MB activity, which may result in finer control of the induced bioeffects. This talk will focus on our recent results obtained with a novel modular USgFUS phased array system.
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 ».