Tissue typing using ultrasound RF time series: Experiments with animal tissue samples
Notice bibliographique
Résumé
PURPOSE: This article provides experimental evidence to show that the time series of radiofrequency (RF) ultrasound data can be used for tissue typing. It also explores the tissue typing information in RF time series. Clinical and high-frequency ultrasound are studied. METHODS: Bovine liver, pig liver, bovine muscle, and chicken breast were used in the experiments as the animal tissue types. In the proposed approach, the authors record RF echo signals backscattered from tissue, while the imaging probe and the tissue are stationary. This sequence of recorded RF data generates a time series of RF echoes for each spatial sample of the RF signal. The authors use spectral and fractal features of ultrasound RF time series averaged over a region of interest, along with feedforward neural networks for tissue typing. The experiments are repeated at ultrasound frequency of 6.6 and also 55 MHz. The effects of increasing power and frame rate are studied. RESULTS: The methodology yielded an average two-class classification accuracy of 95.1% when ultrasound data were acquired at 6.6 MHz and 98.1% when data were collected with a high-frequency probe operating at 55 MHz. In four-class classification experiments, the recorded accuracies were 78.6% and 86.5% for low and high-frequency ultrasound data, respectively. A set of 12 texture features extracted from the B-mode image equivalents of the RF data yields an accuracy of only 77.5% in typing the analyzed tissues. An increase in acoustic power and the frame rate of ultrasound results in an improvement in classification results. CONCLUSIONS: The results of this study demonstrate that RF time series can be used for ultrasound-based tissue typing. Further investigation of the underlying physical mechanisms is necessary.
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 | 0,000 | 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) | 0,001 | 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 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 ».