Global Ultrasound Elastography in Spatial and Temporal Domains
Notice bibliographique
Résumé
In this paper, a novel computationally efficient quasi-static ultrasound elastography technique is introduced by optimizing an energy function. Unlike conventional elastography techniques, three radio frequency (RF) frames are considered to devise a nonlinear cost function consisting of data intensity similarity term, spatial regularization terms and, most importantly, temporal continuity terms. We optimize the aforesaid cost function efficiently to obtain the time-delay estimation (TDE) of all samples between the first two and last two frames of ultrasound images simultaneously, and spatially differentiate the TDE to generate axial strain map. A novelty in our spatial and temporal regularizations is that they adaptively change based on the data, which leads to substantial improvements in TDE. We handle the computational complexity resulting from incorporation of all samples from all three frames by converting our optimization problem to a sparse linear system of equations. Consideration of both spatial and temporal continuity makes the algorithm more robust to signal decorrelation than the previous algorithms. We name the proposed method GUEST: Global Ultrasound Elastography in Spatial and Temporal directions. We validated our technique with simulation, experimental phantom, and in vivo liver data and compared the results with two recently proposed TDE methods. In all the experiments, GUEST substantially outperforms other techniques in terms of signal-to-noise ratio (SNR), contrast-to-noise ratio (CNR), and strain ratio (SR) of the strain images.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».