MétaCan
Menu
Retour à la cohorte
Enregistrement W4409224354 · doi:10.1117/12.3055539

Development and translation of 3D ultrasound-based imaging systems for diagnostic and image-guided interventions

2025· article· en· W4409224354 sur OpenAlexafffund
Aaron Fenster, Emily Lalone, Bernard Chiu, Claire Park, Amal Aziz

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésTranslation (biology)Computer scienceMedical imagingUltrasoundUltrasound imagingMedical physicsComputer visionArtificial intelligenceRadiologyMedicine

Résumé

récupéré en direct d'OpenAlex

The past 50 years have witnessed unprecedented developments in new imaging systems that use 3D visualization. These new technologies have revolutionized diagnostic radiology, as they provide the clinician with information about the interior of the human body never before available. Conventional 2D ultrasound imaging is an important costeffective technique used routinely in the management of several diseases and is used globally in hospitals and diagnostic clinics. However, 2D viewing of 3D anatomy, using conventional ultrasound, limits our ability to quantify and visualize the anatomy and guide therapy, because multiple 2D images must be integrated mentally. This practice is inefficient and leads, at times, to variability and incorrect diagnoses. Also, since the 2D ultrasound image represents a thin plane at an arbitrary angle in the body, reproduction of this plane at a later time for monitoring disease progression or regression is difficult. Investigators and companies have addressed these limitations by developing 3D ultrasound-based devices and techniques. In this paper, we describe our developments in 3D ultrasound (3D US) imaging instrumentation and techniques. In our approach, the conventional ultrasound transducer is scanned mechanically using various external fixtures. The 2D images are digitized and then reconstructed in real-time into a 3D image, which can be viewed and manipulated interactively. We describe the use of 3D ultrasound for diagnosis, and image-guided intervention with four examples: prostate biopsy, whole breast imaging, imaging of musculoskeletal joints, and imaging and analysis of carotid arterial atherosclerotic plaques.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,009
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0030,003
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0090,005

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,333
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207