Eigen-based clutter filter design for ultrasound color flow imaging: a review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 découle