Machine-Learning Assisted Segmentation to Assess the Outcomes of Tissue Ablation with Nanosecond Pulses
Notice bibliographique
Résumé
High-intensity electrical pulsing has emerged as a robust, versatile, and minimally invasive method for ablating tumors and unwanted tissues. The pulse duration varies from nanoseconds to milliseconds, encompassing three primary ablation pulses: Irreversible electroporation (IRE, us-ms), high-frequency IRE (HFIRE, bipolar $\mu{\mathrm{s}}$), and nanosecond pulses (nsEP). In this study, we concentrated on utilizing a plant tissue model (Yukon Gold) to explore the outcomes of ablations using three different pulse waveforms: unipolar 100 $\mu{\mathrm{s}}$ (IRE), Bipolar ±300 ns, and Unipolar 300 ns. The images of the treated potatoes underwent analysis using a U-net machine learning model trained with manually segmented ablation areas as the ground truth. The treated tissues were evaluated at multiple time points. The trained model’s performance was validated on unseen images, achieving an intersection over union (IoU) of 99.41%. Subsequently, we employed the trained model on unsegmented potato images to identify ablation areas. This study aims to investigate the impact of pulse waveforms on the tumor ablation area’s (AA) size, the homogeneity (HG) of the ablation, and the presence of a distinct boundary, known as boundary gradient (BG). Our findings indicated that the bipolar nanosecond pulse seems to be the optimal waveform for tissue ablation. Additionally, we demonstrated that while the Segment Anything Model (SAM), a large segmentation model developed by Meta, excelled in various zero-shot segmentation applications, it failed to precisely segment the ablation area. This suggests that further efforts are necessary to adapt SAM for specialized tasks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 tête enseignante, 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 ».