Adaptive Data Function for Robust Ultrasound Elastography
Notice bibliographique
Résumé
Regularized optimization-based ultrasound elastography techniques minimize an energy function consisting of data and continuity terms to obtain the displacement tensor between radio-frequency (RF) frames. The data term associated with the existing energy-based techniques takes only the amplitude similarity into account and hence lacks robustness to the outlier samples present in the RF frames. This drawback creates noticeable artifacts in the strain image. To address this issue, we devise the data function as a linear combination of the amplitude and gradient residuals. We follow an iterative scheme to estimate the adaptive weight associated with each similarity term. Finally, we convert the non-linear optimization problem to a sparse system of linear equations which is solved for millions of variables in an efficient manner. We name our technique rGLUE: robust data term in GLobal Ultrasound Elastography. We validate rGLUE using simulation and in vivo breast datasets. In both of the experiments, rGLUE proves its robustness to outliers and outperforms state-of-the-art time-delay estimation technique both visually and quantitatively. For the noisy simulation data, the proposed rGLUE technique improves the signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR) from 1.67 to 7.04 and 2.89 to 13.46, respectively. In case of the breast datasets, SNR and CNR improves from 6.35 to 7.81 and 7.94 to 9.90, respectively.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».