Two-dimensional velocity estimation for Doppler optical coherence tomography
Notice bibliographique
Résumé
In this paper we demonstrate a new algorithm for use in Doppler Optical Coherence Tomography (DOCT) to allow the detection of flow with a peak velocity of over 1.5 m/s. Previous Doppler estimation methods have utilized a transverse Kasai (TK) autocorrelation technique which computes the phase difference between points adjacent in time at the same spatial location, hereon referred to as transversely adjacent points. The maximum detectable TK velocity is low due to the small axial scanning frequency, <i>f</i><sub>a</sub> which creates aliasing. To overcome the low sampling rate, we propose using data acquired in the axial direction which has a sampling rate orders of magnitude larger. Taking an autocorrelation in the depth, or axial direction, yields a quantity that can be related to the mean backscattered frequency. We demonstrate that through subtraction of the axial autocorrelation of a moving scatterer from that of a stationary scatterer at the same spatial location, one is able to obtain the Doppler shift with a much higher non-aliased limit. We have defined this method the axial Kasai (AK) technique. Through use of the AK, we demonstrate maximum non-aliased Dopler frequency estimate on a time domain DOCT system to be increased from the TK limit of ±4 kHz to the AK limit of ±1.6 MHz. In contrast to the high detection range of the AK, the TK maintains superior velocity resolution for low flow rates. Through a combined approach with the AK we have demonstrated a dynamic frequency range of over 100 dB with a velocity detection range from 10 &mgr;m/s to over 1.5 m/s. The velocity range has been extended to span both microcirculation and cardiac blood velocities.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».