Compressed Sensing for Elastography in Portable Ultrasound
Notice bibliographique
Résumé
Portable ultrasound is recently emerging as a new medical imaging modality featuring high portability, easy connectivity, and real-time on-site diagnostic ability. However, it does not yet provide ultrasound elastography function that enables the diagnosis of malignant lesions using elastic properties. This is mainly due to the limitations of hardware performance and wireless data transfer speed for processing the large amount of data for elastography. Therefore, data transfer reduction is one of the feasible solutions to overcome these limitations. Recently, compressive sensing (CS) theory has been rigorously studied as a means to break the conventional Nyquist sampling rate and thus can significantly decrease the amount of measurement signals without sacrificing signal quality. In this research, we implemented various CS reconstruction frameworks and comparatively evaluated their reconstruction performance for realizing ultrasound elastography function on portable ultrasound. Combinations of three most common model bases (Fourier transform [FT], discrete cosine transform [DCT], and wave atom [WA]) and two reconstruction algorithms (L1 minimization and block sparse Bayesian learning [BSBL]) were considered for CS frameworks. Echoic and elastography phantoms, were developed to evaluate the performance of CS on B-mode images and elastograms. To assess the reconstruction quality, mean absolute error (MAE), signal-to-noise ratio (SNRe), and contrast-to-noise ratio (CNRe) were measured on the B-mode images and elastograms from CS reconstructions. Results suggest that CS reconstruction adopting BSBL algorithm with DCT model basis can yield the best results for all the measures tested, and the maximum data reduction rate for producing readily discernable elastograms is around 60%.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».