Nonlocal means filter-based speckle tracking
Notice bibliographique
Résumé
The objective of sensorless freehand 3-D ultrasound imaging is to eliminate the need for additional tracking hardware and reduce cost and complexity. However, the accuracy of current out-of-plane pose estimation is main obstacle for full 6-degree-of-freedom (DoF) tracking. We propose a new filter-based speckle tracking framework to increase the accuracy of out-of-plane displacement estimation. In this framework, we use the displacement estimation not only for the specific speckle pattern, but for the entire image. We develop a nonlocal means (NLM) filter based on a probabilistic normal variance mixture model of ultrasound, known as Rician-inverse Gaussian (RiIG). To aggregate the local displacement estimations, Stein's unbiased risk estimate (SURE) is used as a quality measure of the estimations. We derive an explicit analytical form of SURE for the RiIG model and use it as a weight factor. The proposed filter-based speckle tracking framework is formulated and evaluated for three commonly used noise models, including the RiIG model. The out-of-plane estimations are compared with our previously proposed model-based algorithm in a set of ex vivo experiments for different tissue types. We show that the proposed RiIG filter-based method is more accurate and less tissue-dependent than the other methods. The proposed method is also evaluated in vivo on the spines of five different subjects to assess the feasibility of a clinical application. The 6-DoF transform parameters are estimated and compared with the electromagnetic tracker measurements. The results show higher tracking accuracy for typical small lateral displacements and tilt rotations between image pairs.
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 | 0,001 |
| 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) | 0,000 | 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 ».