Model based deep learning method for focused ultrasound pathway scanning
Notice bibliographique
Résumé
The primary purpose of high-intensity focused ultrasound (HIFU), a non-invasive medical therapy, is to precisely target and ablate tumors by focusing high-frequency ultrasound from an external power source. A series of ablations must be performed in order to treat a big volume of tumors, as a single ablation can only remove a small amount of tissue. To maximize therapeutic efficacy while minimizing adverse side effects such as skin burns, preoperative treatment planning is essential in determining the focal site and sonication duration for each ablation. Here, we introduce a machine learning-based approach for designing HIFU treatment plans, which makes use of a map of the material characteristics unique to a patient alongside an accurate thermal simulation. A numerical model was employed to solve the governing equations of HIFU process and to simulate the HIFU absorption mechanism, including ensuing heat transfer process and the temperature rise during the sonication period. To validate the accuracy of this numerical model, a series of tests was conducted using ex vivo bovine liver. The findings indicate that the developed models properly represent the considerable variances observed in tumor geometrical shapes and proficiently generate well-defined closed treated regions based on imaging data. The proposed strategy facilitated the formulation of high-quality treatment plans, with an average tissue over- or under-treatment rate of less than 0.06%. The efficacy of the numerical model in accurately predicting the heating process of HIFU, when combined with machine learning techniques, was validated through quantitative comparison with experimental data. The proposed approach in cooperation with HIFU simulation holds the potential to enhance presurgical HIFU plan.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».