Texture Analysis of Histology Images for Characterizing Ultrasound-Stimulated Microbubble Radiation Enhancement Treatment Response
Notice bibliographique
Résumé
Ultrasound-stimulated microbubble (USMB) therapy, in combination with radiotherapy (XRT), represents a promising approach to enhancing the efficacy of conventional cancer treatments by targeting tumor vasculature. Recent preclinical studies using MRI-guided focused ultrasound have demonstrated that USMB enhances radiation effects in tumor blood vessels, resulting in significantly greater tumor cell death than radiation alone. Dynamic contrast-enhanced MRI (DCE-MRI) has been instrumental in this methodology in mapping tumor perfusion heterogeneity, allowing for precise targeting of additional USMB and XRT to specific vascular regions. This study employed four advanced texture analysis methods, GLCM, GLDM, GLSZM, and NGTDM, to quantitatively assess changes in the cellular structure of prostate tumors following different treatments, including combinations of USMB and XRT targeted to low- and high-perfusion regions. Texture features, particularly those derived from GLCM, GLDM, and GLSZM, revealed significant differences in cell structure patterns across treatment groups. The GLSZM methodology was identified as the most sensitive method for detecting treatment-induced structural changes, effectively identifying regions of necrosis and varied stages of cell death. Texture-derivative analyses further highlighted intra-tumoral heterogeneity, especially in response to additional USMB + XRT treatments. These results align with findings in other tissue models, underscoring the value of texture analysis for monitoring treatment response.
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 | 0,000 |
| 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) | 0,000 | 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 ».