Intravascular ultrasound image segmentation: a three-dimensional fast-marching method based on gray level distributions
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
Intravascular ultrasound (IVUS) is a catheter based medical imaging technique particularly useful for studying atherosclerotic disease. It produces cross-sectional images of blood vessels that provide quantitative assessment of the vascular wall, information about the nature of atherosclerotic lesions as well as plaque shape and size. Automatic processing of large IVUS data sets represents an important challenge due to ultrasound speckle, catheter artifacts or calcification shadows. A new three-dimensional (3-D) IVUS segmentation model, that is based on the fast-marching method and uses gray level probability density functions (PDFs) of the vessel wall structures, was developed. The gray level distribution of the whole IVUS pullback was modeled with a mixture of Rayleigh PDFs. With multiple interface fast-marching segmentation, the lumen, intima plus plaque structure, and media layers of the vessel wall were computed simultaneously. The PDF-based fast-marching was applied to 9 in vivo IVUS pullbacks of superficial femoral arteries and to a simulated IVUS pullback. Accurate results were obtained on simulated data with average point to point distances between detected vessel wall borders and ground truth <0.072 mm. On in vivo IVUS, a good overall performance was obtained with average distance between segmentation results and manually traced contours <0.16 mm. Moreover, the worst point to point variation between detected and manually traced contours stayed low with Hausdorff distances <0.40 mm, indicating a good performance in regions lacking information or containing artifacts. In conclusion, segmentation results demonstrated the potential of gray level PDF and fast-marching methods in 3-D IVUS image processing.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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