INTRAOPERATIVE GEWEBECHARAKTERISIERUNG DURCH SPEKTRALANALYSE DER ULTRASCHALL-HOCHFREQUENZRÜCKSTREUDATEN VON HIRNGEWEBE UND MENINGEOMEN
Bibliographic record
Abstract
Problemstellung: Zur Generierung von Ultraschall B-Bildern werden die Hochfrequenzsignale gleichgerichtet und nur die Einhüllende genutzt. Dabei gehen Informationen zum Frequenzgehalt des Ursprungssignals verloren. Aus diesem lassen sich aber spektrale Parameter errechnen, die zur Gewebecharakterisierung genutzt werden können. Die vorliegende Arbeit analysiert intraoperativ gewonnene Daten von Hirngewebe und Meningeomen und versucht eine auf Spektralparametern basierende Gewebecharakterisierung. Dies ist für die intraoperative Ultraschallbildgebung in der Neurochirurgie bedeutsam, da die Betrachtung herkömmlicher B-Bilder nicht immer eindeutig zwischen tumorösem und nicht-tumorösem Gewebe unterscheiden kann. Methoden: Nach Modifikation eines herkömmlichen Ultraschallgerätes (Hitachi CS 9600) sind die Hochfrequenzsignale vor jedweder Modifikation ausgekoppelt und direkt auf einen PC-Messplatz über eine Transientenrecorderkarte (Fa.Spectrum, Siek, Deutschland) übertragen worden. Korrekturfunktionen zum Ausgleich des wandlerspezifischen Schallfelds sind durch Phantommessungen erstellt und in die Spektralanalyse eingebunden worden. Die Analyse der Spektralparameter erfolgt off-line durch eine selbsterstellte Software-Routine. Bestimmt wurden frequenzabhängig Dämpfung, Rückstreuung und relativer Rückstreukoeffizient in vorgewählten ROI'S. Ergebnisse: Intraoperative Messungen erfolgten an normalem Hirngewebe (n=20), ödemisiertem Hirngewebe (n=12) und Meningeomen (n=20) mit insgesamt 380 Einzelmessungen. Analysiert wurden die Daten an 13 distinkten Frequenzpunkten des Wandlerspektrums zwischen 2,5 und 6,75MHz. Die Mittenfrequenz des eingesetzten Wandlers lag bei 5MHz. Hierbei ließ sich ein signifikanter Dämpfungsverlust in Meningeomgewebe gegenüber normalem Gewebe über die gesamte Frequenzbreite mit Ausnahme des Wertes bei 2,5MHz feststellen (p-Werte zwischen 0,0002 und 0,0119). Zwischen Meningeom und ödemisiertem Gewebe war eine signifikante Trennung bei 4,75MHz, 5MHz, 6,25MHz und 6,75 MHZ zu sehen. Die Analyse der Rückstreuung ergab eine signifikante Trennung zwischen normalem Parenchym und Meningeom im Frequenzbereich 4–5,5MHz mit Ausnahme der Mittenfrequenz 5MHz. Eine signifikante Trennung zwischen ödemisiertem Gewebe und Meningeom gelang nur bei 3MHz (p=0,0471). Ähnliches gilt für die relative Rückstreuung in Bezug zu externen Phantomdaten. Schlussfolgerungen: Zusammenfassend kann gezeigt werden, dass durch Analyse spektraler Echodaten eine Trennung zwischen normalem Hirngewebe und Meningeomgewebe erfolgen kann. Insbesondere die frequenzabhängige Dämpfung ist hier bedeutsam, wohingegen die Analyse der Rückstreuparameter nur eine unzureichende Trennung ermöglicht. Allerdings erfordert die Dämpfungsbestimmung eine ROI-Größe von ca. 1cm, was die Analyse im Einzelfall erschweren dürfte. Die Rückstreuung kann hingegen in beliebig kleinen ROI's gemessen und somit auch zur Erstellung von Parameterbildern genutzt werden. Dies ist zumindest bei einigen der analysierten Frequenzen signifikant möglich. Zusätzliche Parameter und weitere Tumorentitäten sollen nun in die Analyse miteinbezogen werden. Fernziel ist die Gewebecharakterisierung auch infiltrativ wachsender Hirntumore.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".