Noninvasive Monitoring of Tissue Temperature Changes Induced by Focused Ultrasound Exposure using Sparse Expression of Ultrasonic Radio Frequency Echo Signals
Notice bibliographique
Résumé
Background: Noninvasive therapies such as focused ultrasound were developed to be used for cancer therapies, vessel bleeding, and drug delivery. The main purpose of focused ultrasound therapy is to affect regions of interest (ROI) of tissues without any injuries to surrounding tissues. In this regard, an appropriate monitoring method is required to control the treatment. Methods: This study is aimed to develop a noninvasive monitoring technique of focused ultrasound (US) treatment using sparse representation of US radio frequency (RF) echo signals. To this end, reasonable results in temperature change estimation in the tissue under focused US radiation were obtained by utilizing algorithms related to sparse optimization as orthogonal matching pursuit (OMP) and accompanying Shannon's entropy. Consequently, ex vivo tissue experimental tests yielded two datasets, including low-intensity focused US (LIFU) and high-intensity focused US (HIFU) data. The proposed processing method analyzed the ultrasonic RF echo signal and expressed it as a sparse signal and calculated the entropy of each frame. Results: The results indicated that the suggested approach could noninvasively estimate temperature changes between 37°C and 47°C during LIFU therapy. In addition, it represented temperature changes during HIFU ablation at various powers, ranging from 10 to 130 W. The normalized mean square error of the proposed method is 0.28, approximately 2.15 on previous related methods. Conclusion: These results demonstrated that this novel proposed approach, including the combination of sparsity and Shanoon's entropy, is more feasible and effective in temperature change estimation than its predecessors.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».