Anatomically realistic simulation framework for ultrasound localization microscopy
Notice bibliographique
Résumé
Ultrasound Localization Microscopy (ULM) can map vessels at the capillary scale (<10 μm) by acquiring tens of thousands of images in which injected microbubbles are detected and tracked to generate super-resolved blood vessel maps. However, to our knowledge, there are no validation frameworks for ULM image formation algorithms. Herein, we developed a 3-D, anatomically realistic simulation tool based on serial two-photon microscopy (STPM). Rodent brain vasculature was segmented from STPM [1] into a graph-based model, which was then used to generate microbubble flow trajectories according to a velocity-diameter relationship derived from in vivo ULM data [2]. Ultrasound signals were obtained using a fast GPU-based simulator and reconstructed using our ULM image formation algorithm. We then proceeded to a parametric study. We first compared 2-D with 3-D imaging. Despite the latter's lower contrast, the gain in spatial information led to a more complete vasculature map. Localization precision was also enhanced since it was freed from the intrinsic localization error in the elevation direction. Also, increasing the number of transmits enhanced localization precision. From this study, we could establish a relationship between microbubble concentration and acquisition time for full network filling and optimal localization. This simulation tool provides thus a ground truth for the validation of ULM image formation algorithms and enables testing of new hypotheses. [1] R. Damseh et al., IEEE JBHI(2018). [2] V. Hingot et al., Sci Rep. (2019).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».