Toward high-intensity focused ultrasound lesion quantification using compressive sensing theory
Notice bibliographique
Résumé
Compressive sensing theory has in recent years been increasingly used in various pattern recognition applications. Compressive sensing theory makes it possible, under certain assumptions, to recover a signal or an image sampled below the Nyquist sampling limit. In this work, a new application of compressive sensing based on the threshold algorithm, in the area of controlling and monitoring of high-intensity focused ultrasound therapy, was investigated. In this work, a new method of high-intensity focused ultrasound lesion detection is presented based on a modified compressive sensing method in combination with the threshold algorithm and the wavelet transforms. In this study, analysis of the suggested method is performed using two sets of data: simulated and experimental ultrasound radio frequency data. The results of processing the data show that the proposed algorithm results in enhancement of the high-intensity focused ultrasound lesion contrast in comparison with the ultrasound B-mode and standard compressive sensing imaging methods. The results of the study show that the modified compressive sensing method could effectively detect thermal lesions in vitro. Comparing the estimated size of the thermal lesion (8.3 mm × 8.4 mm) using the proposed algorithm with the actual size of that from physical examination (10.1 mm × 9 mm) shows that we could detect high-intensity focused ultrasound thermal lesions with the difference of 0.8 mm × 0.5 mm.
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 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».