Construction of adaptively regularized parametric maps for quantitative ultrasound imaging
Notice bibliographique
Résumé
In the field of quantitative ultrasound (QUS), constructing semantic parametric maps based on local attenuation coefficient slope (ACS) or backscatter coefficient (BSC) modeling remains a challenge. These maps may be useful for detecting lesions or anatomical objects, or for characterizing anomalies within organs. The objective was to propose a methodology for constructing regularized parametric maps in the case of linear fitting models. The proposed method was tested on: i) the spectral Gaussian fit (SGF) BSC model, comprising the acoustical concentration and effective scatterer size; and ii) the spectral log-difference (SLD) model, yielding the local ACS. Regularization was formulated as generalized LASSO, upon setting a locally constant trend constraint on regression coefficients, with variable Lagrangian multiplier (LM). The latter was set with a variant of the Bayesian Information Criterion (BIC): the LM was maximized as to yield a BIC no worse than that of the maximum likelihood. Phantoms were made with agar and graphite powder (g.p.). Acquisitions were performed with a Verasonics Vantage 256 (Redmond, WA) scanner using an ATL L7-4 probe (Philips, Bothell, WA) driven at 5 MHz. Using 21 angles (-5oto 5o) compounding, 100 frames were acquired. Beamformed radiofrequency data were averaged over all frames. Power spectra were averaged over 15 scan lines, each spanning 10 pulse lengths, on overlapping windows. Acquisitions with same settings were made on a reference phantom (117GU-101 CIRS, Norfolk, VA). Ground truth ACS values were estimated with a planar reflection method yielding (in dB/cm/MHz): #1) 0.56 ± 0.06 (4.5% g.p.); and #2) 1.27 ± 0.09 (12% g.p.). i) SGF results: On phantoms with an inclusion (N = 4, #2 surrounded by #1), the contrast-to-noise ratio on difference in acoustic concentration (log-scale) was 2.7 ± 0.22 (no units) with regularization, and 0.97 ± 0.13 without it. ii) SLD results: On phantoms with side-by-side media (N = 3), biases were: #1) -0.11 ± 0.04; #2) -0.26 ± 0.03; and standard-deviations (SD) were: #1) 0.05 ± 0.04; #2) 0.09 ± 0.02. Without regularization, biases were #1) -0.09 ± 0.17; #2) -0.25 ± 0.20; SD values were: #1) 0.39 ± 0.04; #2) 0.38 ± 0.08.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».