Accumulated Angle Factor-Based Beamforming to Improve the Visualization of Spinal Structures in Ultrasound Images
Notice bibliographique
Résumé
In recent years, ultrasound has been increasingly used to guide needle insertion procedures for spinal anesthesia. The primary anatomical targets are facet joints and epidural spaces. For these procedures, accurate visualization of the spine anatomy is of critical importance. Challenges arising from the interactions between the ultrasound beam and spinal structures including tilt caused by specular reflections, off-axis interference, and reverberations often result in weakened and blurred vertebra surfaces. Previously, adaptive beamforming methods have been proposed to improve the resolution and contrast. However, most of these methods are not specialized for improving the contrast of specular targets like bones. In this paper, we propose an accumulated angle factor (AAF)-based beamforming method customized for bone surface enhancement. This approach applies a Hilbert transform on delay compensated channel data across the receive aperture. The accumulated phase change across the receive aperture is then calculated and utilized as the weight in the beamforming output. We compared our method with classical delay and sum (DAS) beamforming method and adaptive beamforming methods such as Wiener, phase coherence factor (PCF), CF, and generalized CF (GCF) beamforming. In 12 volunteer data sets, the mean contrast ratio between the vertebrae surface and the surrounding tissue for DAS, Wiener, PCF, CF, GCF, and the proposed AAF methods are 0.49, 0.64, 0.82, 0.77, 0.76, and 0.91, respectively. The contrast is significantly improved in the proposed method.
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 | 0,001 | 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 ».