Comparison of Particle Swarm Optimization and Genetic Algorithm for Ultrasound Estimation of Carotid Intima-Media Thickness Using Matching Pursuit
Notice bibliographique
Résumé
Cardiovascular diseases (CVDs) are one of the most dominant causes of death worldwide. Consequently, much attention has been given to CVD prevention by monitoring CVD risk factors. The intima-media thickness (IMT) of the carotid artery is widely recognized as a reliable indicator for CDV risk and can be monitored non-invasively using ultrasound. To reduce IMT estimation variability, many automatic algorithms that estimate IMT using B-mode ultrasound images have been proposed. The performance of B-mode image-based algorithms are often limited by the image resolution. M-mode or A-mode algorithms may be an alternative to B-mode approaches for lower resolution ultrasound data. Recently, matching pursuit (MP) signal decomposition with particle swarm optimization (PSO) was investigated for extracting the arterial tissue interface echoes used for IMT estimation using A-mode ultrasound signals. In this work, PSO was compared to the genetic algorithm (GA) for IMT estimation using MP. Both methods were evaluated on the frequency at which the arterial tissue interface echoes used for IMT estimation were successfully extracted, the time and number of computations required to decompose the ultrasound signals, and the variability in IMT estimates. Using the same search constraints and control parameters for both methods, the results showed that the MP algorithm with PSO was faster and required less computations than the one with the GA, but the GA resulted in more successful IMT estimates than PSO. No significant difference in IMT estimation variability was observed.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».