Global Time-Delay Estimation in Ultrasound Elastography
Notice bibliographique
Résumé
A critical step in quasi-static ultrasound elastography is the estimation of time delay between two frames of radio-frequency (RF) data that are obtained while the tissue is undergoing deformation. This paper presents a novel technique for time-delay estimation (TDE) of all samples of RF data simultaneously, thereby exploiting all the information in RF data for TDE. A nonlinear cost function that incorporates similarity of RF data intensity and prior information of displacement continuity is formulated. Optimization of this function involves searching for TDE of all samples of the RF data, rendering the optimization intractable with conventional techniques given that the number of variables can be approximately one million. Therefore, the optimization problem is converted to a sparse linear system of equations, and is solved in real time using a computationally efficient optimization technique. We call our method GLobal Ultrasound Elastography (GLUE), and compare it to dynamic programming analytic minimization (DPAM) and normalized cross correlation (NCC) techniques. Our simulation results show that the contrast-to-noise ratio (CNR) values of the axial strain maps are 4.94 for NCC, 14.62 for DPAM, and 26.31 for GLUE. Our results on experimental data from tissue mimicking phantoms show that the CNR values of the axial strain maps are 1.07 for NCC, 16.01 for DPAM, and 18.21 for GLUE. Finally, our results on in vivo data show that the CNR values of the axial strain maps are 3.56 for DPAM and 13.20 for GLUE.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».