Estimation of Time-Scaling Factor for Ultrasound Medical Images Using the Hilbert Transform
Notice bibliographique
Résumé
A new formulation for the estimation of the time-scaling factor between two ultrasound signals is presented. The estimator is derived under the assumptions of a small time-scaling factor and signals with constant spectrum over its bandwidth. Under these conditions, we show that the proposed approach leads to a simple analytic formulation of the time-scaling factor estimator. The influences of an increase of the time-scaling factor and of signal-to-noise ratio (SNR) are studied. The mathematical developments of the expected mean and bias of the estimator are presented. An iterative version is also proposed to reduce the bias. The variance is calculated and compared to the Cramer-Rao lower bound (CRLB). The estimator characteristics are measured on flat-spectra simulated signals and experimental ultrasound scanner signals and are compared to the theoretical mean and variance. Results show that the estimator is unbiased and that variance tends towards the CRLB for SNR higher than 20 dB. This is in agreement with typical ultrasound signals used in the medical field, as shown on typical examples. Effects of the signal spectrum shape and of the bandwidth size are evaluated. Finally, the iterative version of the estimator improves the quality of the estimation for SNR between 0 and 20 dB as well as the time-scaling factor estimation validity range (up to ).
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».