Automated dealiasing and denoising for color Doppler imaging
Notice bibliographique
Résumé
Color Doppler imaging (CDI) is the most widespread technique to analyze blood flow in clinical practice. In the prospect of producing new CDI-based tools, we developed a fast unsupervised denoiser and dealiaser (DeAN) algorithm for color Doppler raw data. The proposed technique uses robust and automated image post-processing techniques that make the DeAN clinically compliant. The DeAN includes three consecutive advanced and hands-off numerical tools: 1) a statistical region merging segmentation, 2) a recursive dealiasing process, and 3) a regularized robust smoothing. The performance of the DeAN was evaluated using Monte Carlo simulations on mock Doppler data corrupted by aliasing and Gaussian noise with velocity-dependent variance. Clinical color Doppler images acquired with a Vivid 7 scanner were also analyzed. The analytical study demonstrated that color Doppler data can be reconstructed with high accuracy despite the presence of strong corruption. The normalized RMS error on the numerical data was less than 8% even with signal to-noise ratio (SNR) as low as 10 dB. The algorithm also allowed us to recover reliable Doppler flows in clinical data. The DeAN is extremely fast, accurate and not observer dependent. Preliminary results showed that it is also directly applicable to 3-D data. This will offer the possibility of developing new tools to better decipher the blood flow dynamics in cardiovascular diseases.
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 | 0,005 |
| 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 | 0,001 |
| 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) | 0,001 | 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 ».