Investigating Transducer–Tissue Interface Pressure for Soft Tissue Stress–Strain Behavior and the Effects on Echoic Intensities in Ultrasound Imaging of Periodontium
Notice bibliographique
Résumé
Abstract Diagnostic ultrasound (US) is a major imaging modality to visualize soft tissues and blood flow with the advantages of real‐time imaging, high acceptability to patients, and absence of ionizing radiation. US imaging provides important clinical measurements, e.g., thickness of gingiva for treatment planning in orthodontics, periodontics, and implantology; or thickness of subcutaneous adipose for optimizing insulin injection. However, the image quality and measurements of anatomical structures can be inconsistent, i.e., due to varying pressure exerted by an US transducer. Herein, a simple device is developed to real‐time measure the interface pressure applied on tissues by the US transducer. A thin‐film piezo‐resistive sensor with a small footprint is integrated to sense the pressure. A theoretical model, based on hyperelastic material behavior, is verified using the pressure measured by the thin film sensor and the thickness determined on ultrasonograms. The device is also tested on porcine samples in the pressure range of 50–300 kPa for imaging gingiva boundaries, identifying tissue thickness, and probing tissue biomenchanical properties. The device enables the understanding on the optimal range of applied pressure for higher contrast imaging. The information of the on‐tissue pressure and the tissue deformation determined on the US images help to derive the biomechanical stress–strain behavior of the tissues.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».