Application of Radon Transform to Wavefield Filtering, Reconstruction, and Imaging of Dispersive Energies in Quantitative Bone Ultrasound
Notice bibliographique
Résumé
Multichannel ultrasonic axial-transmission data are multimodal by nature. Multichannel analysis of dispersive ultrasonic energies requires a reliable mapping of the data from the time– distance (t-x) domain to the frequency–wavenumber (f-k) or frequency–phase velocity (f-c) domain. The mapping is usually performed with the classical 2-D Fourier transform (FT) from t- x plane to f-k plane or to f-c plane with a subsequent substitution and interpolation via c=ω/k. The extracted dispersion trajectories of the guided modes lack the resolution in the transformed domain to discriminate wave modes. The resolving power associated with the FT is closely linked to the aperture of the recorded data. In this presentation, we present a linear high- resolution Radon transform (RT) algorithm [1 & 2] to filter and reconstruct wavefields, and to image the dispersive energies of the recorded wavefields through long bones. The RT is posed as an inverse problem, which allows implementation of the regularization strategy to enhance the focusing power. The simulated, ex-vivo, and in-vivo data will be used to illustrate the advantages and robustness of the high-resolution RT algorithm. The method accommodates unevenly spaced records, effectively attenuates noise, enhances the signal-to-noise ratio, improves the coherency of the guided wave modes, and reconstructs the missing records. The dispersive energies are well focused and the trajectories are much better resolved. The proposed transform presents a powerful signal enhancement and imaging tool to process ultrasonic wavefields and extract dispersive guided wave energies under limited aperture.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».