A comparison of direct and iterative finite element inversion techniques in dynamic elastography
Notice bibliographique
Résumé
As part of tissue elasticity imaging or elastography, an inverse problem needs to be solved to find the elasticity distribution from the measured displacements. The finite element method (FEM) is a common method for solving the inverse problem in dynamic elastography. This problem has been solved with both direct and iterative FEM schemes. Each of these methods has its own advantages and disadvantages which are examined in this paper. Choosing the data resolution and the excitation frequency are critical for achieving the best estimation of the tissue elasticity in FEM methods. In this paper we investigate the performance of both direct and iterative FEMs for different ranges of excitation frequency. A new form of iterative method is suggested here which requires a lower mesh density compared to the original form. Also two forms of the direct method are compared in this paper: one using the exact fit for derivatives calculation and the other using the least squares fit. We also perform a study on the spatial resolution of these methods using simulations. The comparison is also validated using a phantom experiment. The results suggest that the direct method with least squares fit is more robust to noise compared to other methods but has slightly lower resolution results. For example, for the homogenous region with 20 dB noise added to the data, the RMS error for the direct method with least squares fit is approximately half of the iterative method. It was observed that the ratio of voxel size to the wavelength should be within a specific range for the results to be reliable. For example for the direct method with least squares fit, for the case of 20 dB noise level, this ratio should be between 0.1 to 0.2. On balance, considering the much higher computational cost of the iterative method, the dependency of the iterative method on the initial guess, and the greater robustness of the direct method to noise, we suggest using the direct method with least squares fit for linear elasticity cases.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».