Sparse channel sampling for ultrasound localization microscopy (SPARSE-ULM)
Notice bibliographique
Résumé
Abstract Ultrasound localization microscopy (ULM) has recently enabled the mapping of the cerebral vasculature in vivo with a resolution ten times smaller than the wavelength used, down to ten microns. However, with frame rates up to 20000 frames per second, this method requires large amount of data to be acquired, transmitted, stored, and processed. The transfer rate is, as of today, one of the main limiting factors of this technology. Herein, we introduce a novel reconstruction framework to decrease this quantity of data to be acquired and the complexity of the required hardware by randomly subsampling the channels of a linear probe. Method performance evaluation as well as parameters optimization were conducted in silico using the SIMUS simulation software in an anatomically realistic phantom and then compared to in vivo acquisitions in a rat brain after craniotomy. Results show that reducing the number of active elements deteriorates the signal-to-noise ratio and could lead to false microbubbles detections but has limited effect on localization accuracy. In simulation, the false positive rate on microbubble detection deteriorates from 3.7% for 128 channels in receive and 7 steered angles to 11% for 16 channels and 7 angles. The average localization accuracy ranges from 10.6 μ m and 9.93 μ m for 16 channels/3 angles and 128 channels/13 angles respectively. These results suggest that a compromise can be found between the number of channels and the quality of the reconstructed vascular network and demonstrate feasibility of performing ULM with a reduced number of channels in receive, paving the way for low-cost devices enabling high-resolution vascular mapping.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».