Deep-learning-assisted and GPU-accelerated vector Doppler imaging with aliasing-resistant velocity estimation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vector flow imaging is a diagnostic ultrasound modality that is suited for the visualization of complex blood flow dynamics. One popular way of realizing vector flow imaging at high frame rates over 1000 fps is to apply multi-angle vector Doppler estimation principles in conjunction with plane wave pulse-echo sensing. However, this approach is susceptible to flow vector estimation errors attributed to Doppler aliasing, which is prone to arise when a low pulse repetition frequency (PRF) is inevitably used due to the need for finer velocity resolution or because of hardware constraints. Existing dealiasing solutions tailored for vector Doppler may have high computational demand that makes them unfeasible for practical applications. In this paper, we present the use of deep learning and graphical processing unit (GPU) computing principles to devise a fast vector Doppler estimation framework that is resilient against aliasing artifacts. Our new framework works by using a convolutional neural network (CNN) to detect aliased regions in vector Doppler images and subsequently applying an aliasing correction algorithm only at these affected regions. The framework's CNN was trained using 15,000 in vivo vector Doppler frames acquired from the femoral and carotid arteries, including healthy and diseased conditions. Results show that our framework can perform aliasing segmentation with an average precision of 90 % and can render aliasing-free vector flow maps with real-time processing throughputs (25-100 fps). Overall, our new framework can improve the visualization quality of vector Doppler imaging in real-time.
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.
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 découle