A Deep Learning Approach to Resolve Aliasing Artifacts in Ultrasound Color Flow Imaging
Notice bibliographique
Résumé
Despite being used clinically as a noninvasive flow visualization tool, color flow imaging (CFI) is known to be prone to aliasing artifacts that arise due to fast blood flow beyond the detectable limit. From a visualization standpoint, these aliasing artifacts obscure proper interpretation of flow patterns in the image view. Current solutions for resolving aliasing artifacts are typically not robust against issues such as double aliasing. In this article, we present a new dealiasing technique based on deep learning principles to resolve CFI aliasing artifacts that arise from single- and double-aliasing scenarios. It works by first using two convolutional neural networks (CNNs) to identify and segment CFI pixel positions with aliasing artifacts, and then it performs phase unwrapping at these aliased pixel positions. The CNN for aliasing identification was devised as a U-net architecture, and it was trained with in vivo CFI frames acquired from the femoral bifurcation that had known presence of single- and double-aliasing artifacts. Results show that the segmentation of aliased CFI pixels was achieved successfully with intersection over union approaching 90%. After resolving these artifacts, the dealiased CFI frames consistently rendered the femoral bifurcation's triphasic flow dynamics over a cardiac cycle. For dealiased CFI pixels, their root-mean-squared difference was 2.51% or less compared with manual dealiasing. Overall, the proposed dealiasing framework can extend the maximum flow detection limit by fivefold, thereby improving CFI's flow visualization performance.
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 | 0,002 |
| 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 ».