Incorporating Multiple Observations in global Ultrasound Elastography
Notice bibliographique
Résumé
In this paper, we propose a novel framework for time delay estimation in ultrasound elastography. In the presence of high acquisition noise, the state-of-the-art motion tracking techniques suffer from inaccurate estimation of displacement field. To resolve this issue, instead of one, we collect several ultrasound Radio-Frequency (RF) frames from both pre- and post-deformed scan planes to better investigate the data statistics. We formulate a non-linear cost function incorporating all observation frames from both levels of deformations. Beside data similarity, we impose axial and lateral continuity to exploit the prior information of spatial coherence. Most importantly, we consider the continuity among the displacement estimates obtained from different observation RF frames. This novel continuity constraint mainly contributes to the robustness of the proposed technique to high noise power. We efficiently optimize the aforementioned cost function to derive a sparse system of linear equations where we solve for millions of variables to estimate the displacement of all samples of all of the incorporated RF frames simultaneously. We call the proposed algorithm GLobal Ultrasound Elastography using multiple observations (mGLUE). Our primary validation of mGLUE against soft and hard inclusion simulation phantoms proves that mGLUE is capable of obtaining high quality strain map while dealing with noisy ultrasound data. In case of the soft inclusion phantom, Signal-to-Noise Ratio (SNR) and Contrast-to-Noise Ratio (CNR) have improved by 75.37% and 57.08%, respectively. In addition, SNR and CNR improvements of 32.19% and 38.57% have been observed for the hard inclusion case.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».