Eigen-based clutter filter design for ultrasound color flow imaging: a review
Notice bibliographique
Résumé
Proper suppression of tissue clutter is a prerequisite for visualizing flow accurately in ultrasound color flow imaging. Among various clutter suppression methods, the eigen-based filter has shown potential because it can theoretically adapt its stopband to the actual clutter characteristics even when tissue motion is present. This paper presents a formative review on how eigen-based filters should be designed to improve their practical efficacy in adaptively suppressing clutter without affecting the blood flow echoes. Our review is centered around a comparative assessment of two eigen-filter design considerations: 1) eigen-component estimation approach (single-ensemble vs. multi-ensemble formulations), and 2) filter order selection mechanism (eigenvalue-based vs. frequencybased algorithms). To evaluate the practical efficacy of existing eigen-filter designs, we analyzed their clutter suppression level in two in vivo scenarios with substantial tissue motion (intra-operative coronary imaging and thyroid imaging). Our analysis shows that, as compared with polynomial regression filters (with or without instantaneous clutter downmixing), eigen-filters that use a frequency-based algorithm for filter order selection generally give Doppler power images with better contrast between blood and tissue regions. Results also suggest that both multi-ensemble and single-ensemble eigen-estimation approaches have their own advantages and weaknesses in different imaging scenarios. It may be beneficial to develop an algorithmic way of defining the eigen-filter formulation so that its performance advantages can be better realized.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».