MétaCan
Menu
Retour à la cohorte
Enregistrement W2049394971 · doi:10.1615/critrevbiomedeng.v36.i4.20

The Technology and Performance of 4D Ultrasound

2008· article· en· W2049394971 sur OpenAlexaff
Sergei Obruchkov

Notice bibliographique

RevueCritical Reviews in Biomedical Engineering · 2008
Typearticle
Langueen
DomaineMedicine
ThématiqueFetal and Pediatric Neurological Disorders
Établissements canadiensSt. Joseph’s Healthcare Hamilton
Organismes subventionnairesnon disponible
Mots-clésUltrasoundComputer scienceUltrasound imaging3D ultrasoundVisualizationRendering (computer graphics)Medical physicsImaging technologyVolume renderingField (mathematics)Artificial intelligenceRadiologyMedicine

Résumé

récupéré en direct d'OpenAlex

Recent developments in 4D ultrasound imaging technology allow clinicians to obtain not only rich visual information but also quantitative data that can be used for diagnosis and treatment. Some argue that the extension of 2D ultrasound is unnecessary and does not offer any benefits to diagnosis, while others argue that it is possible to better assess an abnormality in 3D than 2D. Anatomy can be reconstructed in perspectives that were never seen with conventional 2D US imaging. Advanced rendering techniques in three dimensions can be customized to be sensitive to specific pathology, thus making diagnosis more accurate. Volume and function of certain anatomical components can be measured with greater accuracy. This article reviews physical principles behind the ultrasound technology, how they are applied to advance the field of ultrasound imaging, and maybe reach its limits. Advances in ultrasound technology make 4D ultrasound imaging faster and less dependent on the operator's expertise, thus opening up more research possibilities in the fields of data processing and visualization. Currently, 4D ultrasound is extensively used in the field of obstetrics and interven-tional radiology. The goal of 4D ultrasound is to overcome the limitations posed by its predecessor technology and to be more clinically useful as an imaging tool.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,729
Score d'incertitude au seuil0,616

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,266
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCritical Reviews in Biomedical EngineeringMême sujetFetal and Pediatric Neurological DisordersTravaux en français237 207