Real-time and High Quality Ultrasound Elastography Using Convolutional Neural Network by Incorporating Analytic Signal
Notice bibliographique
Résumé
Convolutional Neural Networks (CNN) have been extensively used for many computer vision applications including optical flow estimation. Although CNNs have been very successful in optical flow problem, they have been rarely used for displacement estimation in Ultrasound Elastography (USE) due to vast differences between ultrasound data and computer vision images. In USE, a main goal is to obtain the strain image which is the derivative of the axial displacement in axial direction; therefore, a very accurate displacement estimation is required. Radio Frequency (RF) data is needed to obtain accurate displacement estimation. RF data contains high frequency contents which cannot be downsampled without significant loss of information, in contrast to computer vision images. We propose a novel technique to utilize LiteFlowNet for USE. For the first time, we incorporate analytic signal to improve the quality of the displacement estimation. We show that this network with the designed inputs is more suitable for USE compared to more complex networks such as FlowNet2. The network is adopted to our application and it is compared with FlowNet2 and a state-of-the-art elastography method (GLUE). The results show that this network performs well and comparable to GLUE. Furthermore, not only this network is faster and has lower memory footprint compared to FlowNet2, but also it obtains higher quality strain images which makes it suitable for portable and real-time elastography devices.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».