Experimental validation of an intrasubject elastic registration algorithm for dynamic‐3D ultrasound images
Notice bibliographique
Résumé
PURPOSE: In image-guided therapy, real-time visualization of the anatomy and adjustments in the therapy plan due to anatomical motions during the procedure is of outmost importance. 3D ultrasound has the potential to enable this real-time monitoring; however, nonrigid registration of a sequence of 3D ultrasound volumes remains to be a challenging problem. The authors present our recent results on the development of a computationally inexpensive feature-based registration algorithm for elastic alignment of dynamic-3D ultrasound images. METHODS: Our algorithm uses attribute vectors, based on the image intensity and gradient information, to perform feature-based matching in a sequence of 3D ultrasound images. Prior information from both the fixed and previous moving images is utilized to track features throughout the 3D image series. The algorithm has been compared to various publicly available registration techniques, i.e., the B-splines deformable registration, the symmetric forces Demons, and the fast free-form deformable registration method. RESULTS: Using a series of validation experiments on datasets collected from carotid artery, liver, and kidney of 20 subjects, the authors demonstrate that the feature-based, B-splines, Demons, and fast free-form deformable registration techniques can all recover volume deformations in a 3D ultrasound image series with reasonable accuracy; however, the proposed feature-based registration technique has substantial computational advantage over the other approaches. CONCLUSIONS: The proposed feature-based registration technique has the potential for real-time implementation on a computationally inexpensive platform and has the capability of recovering nonrigid deformations in tissue with reasonable accuracy.
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 | 0,000 |
| 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 ».