MétaCan
Menu
Retour à la cohorte
Enregistrement W2996440982 · doi:10.1109/ultsym.2019.8925604

A Spatially Weighted Regularization Method for Attenuation Coefficient Estimation

2019· article· en· W2996440982 sur OpenAlexaff
Farah Deeba, Ricky Hu, Jefferson Terry, D. Pugash, Jennifer A. Hutcheon, Chantal Mayer, Septimiu E. Salcudean, Robert Rohling

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound Imaging and Elastography
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésRegularization (linguistics)AttenuationImaging phantomTotal variation denoisingAttenuation coefficientAccuracy and precisionComputer scienceAlgorithmMathematicsStatisticsArtificial intelligenceNoise reductionPhysicsOptics

Résumé

récupéré en direct d'OpenAlex

Existing methods for measuring the ultrasonic attenuation coefficient estimate (ACE) fail to take into account the effect of tissue heterogeneity. We propose a total variation (TV) regularization based method, where the local regularization will be modulated as a function of envelope signal-to-noise-ratio deviation, an indicator of tissue heterogeneity. We evaluate our approach using three physical phantoms with different configurations. We also demonstrate the application of the method for placenta ex vivo. The proposed method results in significant improvement in ACE measurement compared to the reference phantom method for all the experiments. Specifically, the method shows promising results in the presence of heterogeneity, exceeding the performance of both reference phantom and unweighted total variation regularization in terms of accuracy, precision and resolution-precision trade-off.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,950
Score d'incertitude au seuil0,262

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,282
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUltrasound Imaging and ElastographyTravaux en français237 207