Towards distinguishing intra-canal and paraspinal cavitation activity during focused ultrasound exposures in the spine
Notice bibliographique
Résumé
Abstract Objective. Although less established than transcranial focused ultrasound (FUS), transvertebral FUS is being developed to treat spinal cord pathologies. Transvertebral sonication of the spinal cord for microbubble-mediated drug delivery generates cavitation at the target in the spinal canal, and outside the spinal canal due to reflection off the posterior surface of the spinal column. In these two regions, circulating microbubbles are excited by local foci to generate acoustic emissions that are used to monitor FUS treatments. When trying to localize acoustic emissions generated from cavitation in the spinal cord, prefocal cavitation emissions emanating from paraspinal regions can dwarf signals originating in the canal and compromising monitoring capabilities. This paper evaluates alternative reconstruction algorithms to delay-sum-and-integrate (DAS) in-silico and ex-vivo to more reliably map intra-spinal canal sources in the face of interference. Approach. A proof-of-concept 400/800 kHz (transmit/receive) spine-specific array prototype was used to generate intracanal cavitation through intact human vertebrae and passively monitor the corresponding acoustic emissions. Delay-multiply-sum-and-integrate (DMAS) beamforming was compared to DAS in two different implementations, full array (DMAS) and half-array multiplicative compounding (DMASMu), in the modeled cavitation scenarios where paraspinal cavitation is present. Main results. Both DMAS and DMASMu improved image quality by reducing peak sidelobes and increasing image signal-to-noise ratio. Aberration corrections further improved image quality metrics and, when applied selectively to voxels co-registered to the canal, assisted localization when prefocal sources were present in-silico. When localizing canal sources in the presence of paraspinal cavitation, a switch to DMAS/DMASMu offered a more consistent localization rate in-silico and ex-vivo, though ex-vivo phase and amplitude corrections failed to replicate in-silico findings. Significance. DMAS or DMASMu reconstruction with multiple dynamic ranges and sub-image integration timings can provide more reliable mapping of cavitation in the canal in the presence of interference from paraspinal cavitation.
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) | 0,000 | 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) | 0,001 | 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 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 ».