Abstract Liver cancer ranks as the fifth leading cause of cancer-related death globally. Direct intratumoral injections of anti-cancer therapeutics may improve therapeutic efficacy and mitigate adverse effects compared to intravenous injections. Some challenges of intratumoral injections are that the liquid drug formulation may not remain localized and have unpredictable volumetric distribution. Thus, drug delivery varies widely, highly-dependent upon technique. An X-ray imageable poloxamer 407 (POL)-based drug delivery gel was developed and characterized, enabling real-time feedback. Utilizing three needle devices, POL or a control iodinated contrast solution were injected into an ex vivo bovine liver. The 3D distribution was assessed with cone beam computed tomography (CBCT). The 3D distribution of POL gels demonstrated localized spherical morphologies regardless of the injection rate. In addition, the gel 3D conformal distribution could be intentionally altered, depending on the injection technique. When doxorubicin (DOX) was loaded into the POL and injected, DOX distribution on optical imaging matched iodine distribution on CBCT suggesting spatial alignment of DOX and iodine localization in tissue. The controllability and localized deposition of this formulation may ultimately reduce the dependence on operator technique, reduce systemic side effects, and facilitate reproducibility across treatments, through more predictable standardized delivery.

Geological model compression is crucial for making large and complex models more manageable. By reducing the size of these models, compression techniques enable efficient storage, enhance computational efficiency, making it feasible to perform complex simulations and analyses in a shorter time. This is particularly important in applications such as reservoir management, groundwater hydrology, and geological carbon storage, where large geomodels with millions of grid cells are common. This study presents a comprehensive overview of previous work on geomodel compression and introduces several autoencoder-based deep-learning architectures for low-dimensional representation of modified Brugge-field geomodels. The compression and reconstruction efficiencies of autoencoders (AE), variational autoencoders (VAE), vector-quantized variational autoencoders (VQ-VAE), and vector-quantized variational autoencoders 2 (VQ-VAE2) were tested and compared to the traditional singular value decomposition (SVD) method. Results show that the deep-learning-based approaches significantly outperform SVD, achieving higher compression ratios while maintaining or even exceeding the reconstruction quality. Notably, VQ-VAE2 achieves the highest compression ratio of 667:1 with a structural similarity index metric (SSIM) of 0.92, far surpassing the 10:1 compression ratio of SVD with a SSIM of 0.9. The result of this work shows that, unlike traditional approaches, which often rely on linear transformations and can struggle to capture complex, non-linear relationships within geological data, VQ-VAE's use of vector quantization helps in preserving high-resolution details and enhances the model's ability to generalize across varying geological complexities.

Abstract Purpose Targeting accuracy determines outcomes for percutaneous needle interventions. Augmented reality (AR) in IR may improve procedural guidance and facilitate access to complex locations. This study aimed to evaluate percutaneous needle placement accuracy using a goggle-based AR system compared to an ultrasound (US)-based fusion navigation system. Methods Six interventional radiologists performed 24 independent needle placements in an anthropomorphic phantom (CIRS 057A) in four needle guidance cohorts ( n = 6 each): (1) US-based fusion, (2) goggle-based AR with stereoscopically projected anatomy (AR-overlay), (3) goggle AR without the projection (AR-plain), and (4) CT-guided freehand. US-based fusion included US/CT registration with electromagnetic (EM) needle, transducer, and patient tracking. For AR-overlay, US, EM-tracked needle, stereoscopic anatomical structures and targets were superimposed over the phantom. Needle placement accuracy (distance from needle tip to target center), placement time (from skin puncture to final position), and procedure time (time to completion) were measured. Results Mean needle placement accuracy using US-based fusion, AR-overlay, AR-plain, and freehand was 4.5 ± 1.7 mm, 7.0 ± 4.7 mm, 4.7 ± 1.7 mm, and 9.2 ± 5.8 mm, respectively. AR-plain demonstrated comparable accuracy to US-based fusion ( p = 0.7) and AR-overlay ( p = 0.06). Excluding two outliers, AR-overlay accuracy became 5.9 ± 2.6 mm. US-based fusion had the highest mean placement time (44.3 ± 27.7 s) compared to all navigation cohorts ( p < 0.001). Longest procedure times were recorded with AR-overlay (34 ± 10.2 min) compared to AR-plain (22.7 ± 8.6 min, p = 0.09), US-based fusion (19.5 ± 5.6 min, p = 0.02), and freehand (14.8 ± 1.6 min, p = 0.002). Conclusion Goggle-based AR showed no difference in needle placement accuracy compared to the commercially available US-based fusion navigation platform. Differences in accuracy and procedure times were apparent with different display modes (with/without stereoscopic projections). The AR-based projection of the US and needle trajectory over the body may be a helpful tool to enhance visuospatial orientation. Thus, this study refines the potential role of AR for needle placements, which may serve as a catalyst for informed implementation of AR techniques in IR.