Ultrasound image simulation with generative adversarial network
Notice bibliographique
Résumé
PURPOSE: It is difficult to simulate realistic ultrasound images due to the complexity of acoustic artifacts that contribute to a real ultrasound image. We propose to evaluate the realism of ultrasound images simulated using a generative adversarial network. METHODS: To achieve our goal, kidney ultrasounds were collected, and relevant anatomy was segmented to create anatomical label-maps using 3D Slicer. Adversarial networks were trained to generate ultrasound images from these labelmaps. Finally, a two-part survey of 4 participants with sonography experience was conducted to assess the realism of the generated images. The first part of the survey consisted of 50 kidney ultrasound images; half of which were real while the other half were simulated. Participants were asked to label each of the 50 ultrasound images as either real or simulated. In the second part of the survey, the participants were presented with ten simulated images not included in the first part of the survey and asked to evaluate the realism of the images. RESULTS: The average number of correctly identified images was 28 of 50 (56%). On a scale of 1-5, where 5 is indistinguishable from real US, the generated images received an average score of 3.75 for realistic anatomy and 4.0 for realistic ultrasound effects. CONCLUSIONS: We evaluated the realism of kidney ultrasound images generated using adversarial networks. Generative adversarial networks appear to be a promising method of simulating realistic ultrasound images from crosssectional anatomical label-maps.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
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 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 ».