Image quality improvement based on inter-frame motion compensation for photoacoustic imaging: A preliminary study
Notice bibliographique
Résumé
Photoacoustic imaging (PAI) is capable of providing real-time anatomical and functional information of pathological changes. In PAI, the frame averaging (FA) technique is commonly used for enhancing signal-to-noise ratio (SNR) instead of increasing the power of a pulsed laser to avoid unwanted adverse effects. However, the FA technique suffers from motion artifacts due to the limited pulse repetition frequencies (PRFs) (e.g., 10-20 Hz) of a commonly-used Nd:Yag laser. In this paper, to improve the image quality of PAI, a new FA technique combined with inter-frame motion compensation (i.e., FA-IFMC) is proposed. The RF data acquisition was conducted with a commercial ultrasound imaging system (Ultrasonix Inc., Vancouver, BC, Canada) for the 0.9-mm diameter graphite lead-injected chicken breast. For the laser excitation, a Surelite Nd:YAG OPO system (Continuum Inc., Santa Clara, CA, USA) was used at the rate of 10 Hz and at the wavelength of 700nm with a bifurcated fiber bundle. From the phantom experiment, peak signal-to-noise ratio (PSNR) and the axial resolution were improved by 15.8 dB and 1.06 mm compared to the conventional FA method, respectively. These results indicate that the suggested FA-IFMC method can improve image quality of PAI by enhancing PSNR and axial resolution due to the lowerd blurring artifacts from motions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».