Least-Squares Multi-Angle Doppler Estimators for Plane-Wave Vector Flow Imaging
Notice bibliographique
Résumé
Designing robust Doppler vector estimation strategies for use in plane-wave imaging schemes based on unfocused transmissions is a topic that has yet to be studied in depth. One potential solution is to use a multi-angle Doppler estimation approach that computes flow vectors via least-squares fitting, but its performance has not been established. Here, we investigated the efficacy of multi-angle Doppler vector estimators by: 1) comparing its performance with respect to the classical dual-angle (cross-beam) Doppler vector estimator and 2) examining the working effects of multi-angle Doppler vector estimators on flow visualization quality in the context of dynamic flow path rendering. Implementing Doppler vector estimators that use different combinations of transmit (Tx) and receive (Rx) steering angles, our analysis has compared the classical dual-angle Doppler method, a 5-Tx version of dual-angle Doppler, and various multi-angle Doppler configurations based on 3 Tx and 5 Tx. Two angle spans (10°, 20°) were examined in forming the steering angles. In imaging scenarios with known flow profiles (rotating disk and straight-tube parabolic flow), the 3-Tx, 3-Rx and 5-Tx, 5-Rx multi-angle configurations produced vector estimates with smaller variability compared with the dual-angle method, and the estimation results were more consistent with the use of a 20° angle span. Flow vectors derived from multi-angle Doppler estimators were also found to be effective in rendering the expected flow paths in both rotating disk and straight-tube imaging scenarios, while the ones derived from the dual-angle estimator yielded flow paths that deviated from the expected course. These results serve to attest that using multi-angle least-squares Doppler vector estimators, flow visualization can be consistently achieved.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 ».