Microbubble Localization for Three-Dimensional Superresolution Ultrasound Imaging Using Curve Fitting and Deconvolution Methods
Notice bibliographique
Résumé
Superresolution algorithms in ultrasound imaging are attracting the interest of researchers recently due to the ability of these methods to enable enhanced vascular imaging. In this study, two superresolution imaging methods are compared for postprocessing images of microbubbles generated using passive acoustic mapping (PAM) methods with a potential application of three-dimensional (3-D) brain vascular imaging. The first method is based on fitting single bubble images one at a time with a 3-D Gaussian profile to localize the microbubbles and a superresolution image is then formed using the uncertainty of the localization as the standard deviation of the Gaussian profile. The second superresolution method is based on image deconvolution that processes multiframe resolution-limited images iteratively and estimates the intensity at each pixel of the superresolution image without the need for localizing each microbubble. The point spread function is approximated by a Gaussian curve which is similar to the beam response of the hemispherical transducer array used in our experimental setup. The Cramér-Rao Bounds of the two estimation techniques are derived analytically and the performance of these techniques is compared through numerical simulations based on experimental PAM images. For linear and sinusoidal traces, the localization errors between the estimated peaks by the fitting-based method and the actual source locations were 220 10 m and 210 5 m, respectively, as compared to 74 10 m and 59 8 m with the deconvolution-based method. However, in terms of the running time and the computational costs, the curve fitting technique outperforms the deconvolution-based approach.
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 | 0,000 |
| 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 ».